Digital twins voor onderhoud en service

Wat is een digital twin?

Een digital twin is een digitaal model van een fysiek object – een machine, een productielijn, een gebouw of zelfs een heel fabriek – dat:

• Real-time data ontvangt van het fysieke object via sensoren en IoT
• Het gedrag van het fysieke object simuleert en voorspelt
• Gebruikt kan worden voor virtuele testen en experimenten
• Continu bijgewerkt wordt op basis van wat er in de werkelijkheid gebeurt

Het verschil met een traditioneel CAD-model of simulatie is dat een digital twin 'leeft': het evolueert mee met zijn fysieke tegenhanger, veroudert zoals de echte machine veroudert, en reflecteert de huidige staat in plaats van alleen het ontwerp.

Soorten digital twins voor onderhoud

Digital twins komen in verschillende vormen, afhankelijk van wat je wilt bereiken:

Component digital twins - Modellen van kritieke componenten zoals lagers, tandwielkasten, elektromotoren. Deze twins gebruiken sensordata (trillingen, temperatuur, stroom) om de conditie en resterende levensduur te voorspellen.

Voorbeeld: een digital twin van een lager dat op basis van trillingspatronen, belasting en omgevingstemperatuur voorspelt wanneer het vervangen moet worden.

Machine digital twins - Complete modellen van individuele machines die hun gedrag simuleren. Je kunt virtueel verschillende instellingen uitproberen, onderhoudsscenario's doorrekenen en optimale bedrijfsparameters vinden.

Voorbeeld: een digital twin van een draaibank waarmee je virtueel test wat er gebeurt als je de snelheid verhoogt, koeling aanpast of gereedschap verandert, zonder risico voor de echte machine.

Systeem digital twins - Modellen van complete productiesystemen of processen. Dit omvat meerdere machines, hun onderlinge interacties, material flow en energiegebruik.

Voorbeeld: een digital twin van een volledige verpakkingslijn waarin je doorlooptijd, bottlenecks en onderhoudsimpact kunt analyseren.

Process digital twins - Modellen van bedrijfsprocessen inclusief onderhoud. Deze twins helpen bij het optimaliseren van onderhoudsplanningen, allocatie van resources en voorraadniveaus.

Toepassingen van digital twins in onderhoud

Digital twins bieden concrete voordelen voor onderhoud:

Voorspellend onderhoud verbeteren

Een digital twin combineert fysieke sensordata met simulaties om nauwkeuriger te voorspellen wanneer onderhoud nodig is. In plaats van alleen af te gaan op drempelwaarden, begrijpt de twin de onderliggende fysica van slijtage.

Voorbeeld: een digital twin van een pomp simuleert de interne stroming, druk en temperatuurverdeling. Door deze simulatie te koppelen aan real-time sensordata voorspelt het preciezer wanneer dichtingen of waaiers vervangen moeten worden dan alleen op basis van draaiuren.

Virtueel testen van onderhoudsstrategieën

Voor je een nieuw onderhoudsregime implementeert, test je het eerst in de digital twin:

• Wat gebeurt er als we van maandelijks naar driemaandelijks onderhoud gaan?
• Welk effect heeft het vervangen van onderdeel X op de levensduur van onderdeel Y?
• Wat is de optimale onderhoudsfrequentie gegeven onze productiepatronen?

De twin simuleert maanden of jaren in enkele uren en laat zien wat de consequenties zijn zonder risico voor de echte productie.

What-if analyses en scenario planning

Digital twins helpen bij het beantwoorden van 'wat als' vragen:

• Wat als deze machine uitvalt tijdens de drukste productieweek?
• Wat als we de productiecapaciteit verhogen met 20%? Welke machines worden bottlenecks?
• Wat als we energiezuiniger produceren? Wat is de impact op machine-slijtage?

Optimalisatie van machine-instellingen

Machines hebben vaak tientallen instelbare parameters. De optimale combinatie vinden via trial-and-error op de echte machine is tijdrovend en risicovol. Een digital twin kan duizenden combinaties doorrekenen en de beste vinden.

Voorbeeld: een digital twin van een oven optimaliseert temperatuurprofielen voor minimaal energieverbruik en maximale levensduur van verwarmingselementen, terwijl productkwaliteit gegarandeerd blijft.

Training van operators en technici

Nieuwe medewerkers trainen op een digital twin voordat ze aan de echte machine werken:

• Oefenen met complexe procedures zonder risico
• Leren herkennen van afwijkingen en storingen
• Testen van 'wat moet ik doen als...' scenario's
• Training blijft beschikbaar zelfs als de machine in productie is

Met VR/AR-brillen wordt de training nog realistischer: je 'staat' virtueel naast de machine en voert handelingen uit.

Root cause analysis van storingen

Als een storing optreedt, kun je deze naspelen in de digital twin:

• Voed de twin met de data van vlak voor de storing
• Analyseer wat de onderliggende oorzaak was
• Test preventieve maatregelen virtueel

Dit is veel effectiever dan raden of afwachten tot het weer gebeurt.

Lifecycle management en vervangingsbeslissingen

Een digital twin die meeveroudert met de machine helpt bij beslissingen over lifecycle:

• Wanneer is repareren economischer dan vervangen?
• Hoeveel resterende waarde heeft deze machine?
• Wat zijn de total cost of ownership over de komende jaren?

Digital twin platforms en software

Voor MKB-bedrijven zijn er verschillende toegankelijke platforms:

Industriële IoT-platformen met twin-functionaliteit

• Microsoft Azure Digital Twins: cloud-based, integreert goed met Azure IoT
• AWS IoT TwinMaker: Amazon's equivalent
• Siemens MindSphere: specifiek voor industriële toepassingen
• PTC ThingWorx: gecombineerd IoT en digital twin platform

Simulatie-software met twin-capabilities

• ANSYS Twin Builder: koppelt simulatie aan real-time data
• MATLAB/Simulink met Simscape: voor technische simulaties
• Dassault Systèmes 3DEXPERIENCE: complete PLM met twins

Machine-learning platformen

Voor eenvoudigere twins zonder zware simulaties kunnen ML-platforms volstaan:

• RapidMiner, DataRobot, H2O.ai voor no-code/low-code ML
• Open source: Python met scikit-learn, TensorFlow

Implementatie: van idee naar werkende twin

Het bouwen van een digital twin is een project. Hier is een realistische aanpak voor MKB:

Fase 1: Selectie en scope (1-2 maanden)

• Stap 1: Kies welke machine of proces het meest baat heeft bij een digital twin. Begin klein met één asset waar veel waarde te halen is.
• Stap 2: Definieer het doel: wat wil je met de twin bereiken? Voorspellend onderhoud? Training? Optimalisatie? Hoe specifieker, hoe beter.
• Stap 3: Bepaal de vereiste nauwkeurigheid. Een twin voor grove trendanalyses hoeft minder nauwkeurig dan een twin voor nauwkeurige voorspellingen.

Fase 2: Data-verzameling en modellering (2-4 maanden)

• Stap 4: Verzamel of creëer 3D-geometrie. Voor nieuwe machines: CAD-data van leverancier. Voor bestaande: vereenvoudigde modellen volstaan vaak.
• Stap 5: Ontwikkel het fysische model. Dit kan variëren van simpele regressiemodellen tot complexe FEM-simulaties. Start simpel.
• Stap 6: Installeer sensoren als die er nog niet zijn. De twin is zo goed als de data die hij krijgt.
• Stap 7: Verzamel historische data. Hoe meer data, hoe beter de twin te kalibreren is.

Fase 3: Ontwikkeling en validatie (2-4 maanden)

• Stap 8: Bouw de digital twin in het gekozen platform. Koppel het fysische model aan data-inputs.
• Stap 9: Kalibreer en valideer. Vergelijk wat de twin voorspelt met wat er echt gebeurt. Pas aan tot de fout acceptabel klein is.
• Stap 10: Train machine learning modellen om de twin zelflerend te maken.

Fase 4: Implementatie en gebruik (vanaf maand 6)

• Stap 11: Maak de twin toegankelijk via dashboards of apps voor eindgebruikers (technici, operators, management).
• Stap 12: Train gebruikers in werken met de twin.
• Stap 13: Begin met de use cases: test scenario's, optimaliseer instellingen, train personeel.
• Stap 14: Onderhoud de twin: updates wanneer de fysieke machine wijzigt, continue verbetering van modellen.

Voordelen van het gebruik van een digital twin

Directe besparingen:

• Minder onverwachte uitval door betere voorspellingen: 20-40% reductie
• Kortere ontwikkeltijd voor nieuwe producten/processen: 30-50% door virtueel testen
• Lagere energiekosten door optimalisatie: 10-25%
• Minder material waste: 15-30% door betere procesbeheersing

Indirecte waarde:

• Snellere training van nieuw personeel
• Betere besluitvorming door inzicht in scenario's
• Risicoreductie bij grote investeringen of wijzigingen
• Innovatie en productdifferentiatie

Meer weten?

Digital twins zijn de volgende stap in digitalisering van onderhoud. Ze combineren het beste van IoT, simulatie, AI en visualisatie om inzicht, voorspelling en optimalisatie mogelijk te maken die voorheen ondenkbaar waren.

Voor MKB-bedrijven is het zaak realistisch te beginnen: niet direct een twin van je volledige fabriek, maar van één kritieke machine of proces waar de waarde duidelijk is. Bewijs de waarde, leer van de ervaring en bouw uit.

De technologie is er, de platforms zijn toegankelijk en de kennis is beschikbaar. De vraag is niet meer óf digital twins waardevol zijn voor onderhoud, maar voor welke assets in jouw bedrijf ze het meeste opleveren.