Digital Twin besproken door Robbrecht van Amerongen

Wat is een digital twin?  

Een digital twin is een digitale kopie van de werkelijkheid; een model van de werkelijke situatie op dit moment met een realtime datakoppeling tussen de werkelijke situatie en de digitale kopie. Die situatie kan van alles zijn, bijvoorbeeld een motor, een fabriek, verkeersstromen in een stadsdeel, een logistiek proces of zelfs het menselijk lichaam. De gebruikte data kunnen uit allerlei machines en applicaties komen, denk aan camera’s, meters die elektriciteit of warmte meten, sensoren die trilling, temperatuur of geluid registreren en ga zo maar door.    

Wat zijn de voordelen van een digital twin?  

Een digital twin brengt de werkelijke situatie in kaart in een computermodel. Zo kan de gebruiker zich een geïntegreerd beeld vormen van de actuele situatie. Ook is het mogelijk om het effect van wijzigingen in de digitale kopie te simuleren, zodat je bijvoorbeeld kunt testen of een aanpassing aan een machine datgene gaat opleveren wat je ervan verwacht. Tot slot helpt het digitale model je om, op basis van patronen in het verleden, te voorspellen wat er gebeurt in bepaalde situaties, zodat je tijdig kunt ingrijpen.   

Je kunt een digital twin voorzien van logica, zodat het model direct op zijn fysieke status kan reageren. Omdat het een digitaal model is, kan het snel complexe berekeningen uitvoeren en de uitkomst optimaliseren. Een voorbeeld daarvan is het automatisch aanpassen van logistieke stromen op basis van het aanbod van vracht, de drukte in het logistieke netwerk, de prijs van transport en beschikbare personeel. 

Waarom is het bouwen van een digital twin zo complex?  

Je wilt bij het bouwen van digital twin gebruikmaken van zo compleet mogelijke datasets. Dat betekent dat de data afkomstig kan zijn uit honderden verschillende bronnen, die vaak iedere paar seconden een status doorgeven. Het gaat al snel om miljoenen berichten per dag. Daarnaast maak je gebruik van historische data, wat soms neerkomt op miljarden datapunten die geanalyseerd moeten worden.   

De data die je gebruikt hebben allemaal een andere structuur. Dat betekent dat ze eerst vertaald moeten worden naar een standaard. Vervolgens moet de datakwaliteit worden gecontroleerd, want die laat regelmatig te wensen over. Ook moet er vaak een interpretatieslag overheen om te begrijpen in welke context bepaalde data zijn verzameld en te bepalen of die data niet of misschien juist wel meegenomen moeten worden in je model.   

Om het behapbaar te houden is het vaak eenvoudiger om te werken met verschillende modellen naast elkaar. In plaats van één digital twin van bijvoorbeeld een treinstation gebruik je dan een model voor de reizigersstromen, voor het indoor klimaat, voor het energiegebruik et cetera. Ieder model heeft zijn eigen doel: optimalisatie van comfort, van veiligheid, van duurzaamheid, van winst, en ga zo maar door.   

 Praktijkcase: Digital twin van Centraal Station Utrecht  

AMIS Conclusion leverde expertise voor een project van de NS Stations voor het ontwikkelen van een digital twin van Station Utrecht Centraal. Doel van deze digital twin is het verhogen van de veiligheid, het voorkomen van defecten aan assets zoals liften en roltrappen, en het verbeteren van het reizigerscomfort.   

Om de digital twin te bouwen heeft AMIS Conclusion samen met het team van NS Stations IT datastromen ontsloten die realtime de status van een groot aantal objecten op de stations levert. Zo wordt de status van liften, roltrappen, passagiersstromen en energiegebruik geïntegreerd in dit 3D model. In totaal bestaat het model uit maar liefst 20 miljard fijnmazige LIDAR datapunten en 540 hoge resolutie dronebeelden. Samen met de realtime data is dit verwerkt tot meerdere modellen die worden gebruikt om realtime de situatie op het station weer te geven en om scenario’s te simuleren. Dit biedt stationmanagers handvatten om onderhoud op liften en roltrappen zo te plannen dat de impact op reizigersstromen minimaal is. Of om ongewenst gedrag van reizigers sneller te detecteren en in te grijpen bij panieksituaties. Ook is het doel om meer inzicht te krijgen in energiegebruik en -verspilling en piekbelasting, zodat de CO2-impact kan worden gereduceerd.