Digital Twin in de Maakindustrie: wat het is en waar je moet beginnen

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

By Mirko Peters · 2026-11-11

Digital twin in de maakindustrie uitgelegd voor productiemanagers: wat een twin is, hoe het verschilt van een simulatie, waar het het eerst loont en hoe je klein begint.

Automatically translated with AI from the original post. Read the English original

Digital twin in de maakindustrie betekent dat je een digitaal model van een echte machine, lijn of proces synchroon houdt met de werkelijkheid, zodat je de toestand kunt zien en wijzigingen kunt testen voordat je ze doorvoert. Dit artikel is bedoeld voor productiemanagers die de term vaak horen en willen weten wat die in de praktijk betekent. Je leest wat een twin is, hoe die verschilt van een eenmalig model, waar hij het eerst loont, hoe je klein begint en welke fouten je beter vermijdt.

Belangrijkste punten

• Een digital twin is een op het doel toegesneden digitale weergave van een echt productie-element, zoals een machine, een lijn of een proces, die synchroon blijft met dat element.
• Een eenmalige simulatie of een CAD-tekening is geen twin, omdat een twin voortdurend data uit de fysieke omgeving ontvangt en daarin meebeweegt.
• De drie bouwstenen die NIST noemt, zijn betrouwbare sensordata, stabiele connectiviteit en simulatiemodellen voor voorspellende analyse.
• Begin met één duidelijke vraag, zoals waar de bottleneck zit of of een wijziging zal werken, in plaats van de hele fabriek in één keer te modelleren.
• Een twin is niet beter dan zijn data, dus controleer stamdata, routings en feedback van de productievloer voordat je iets bouwt.

Wat is een digital twin in de maakindustrie?

De norm ISO 23247-1 definieert een digital twin als een op het doel toegesneden digitale weergave van een waarneembaar productie-element, die synchroon wordt gehouden met dat element. De norm somt op wat zo'n element kan zijn: personeel, apparatuur, materiaal, proces, faciliteit, omgeving, product en ondersteunende documenten. Zie het overzicht van ISO 23247-1. In dezelfde reeks staan verdere delen over een referentiearchitectuur, informatiekenmerken en informatie-uitwisseling.

Twee woorden in die definitie zijn het belangrijkst:

• Op het doel toegesneden. Een twin is gebouwd om een vraag te beantwoorden. Een digital twin van een pers voor onderhoud ziet er heel anders uit dan een digital twin van een hele assemblagehal voor planning. Toepassingen van digital twins in de maakindustrie lopen van één machine tot een hele fabriek.
• Synchronisatie. Een twin moet dicht bij de werkelijkheid blijven. Als niemand hem bijwerkt, wordt hij een verouderd model.

Simpel gezegd combineert een digital twin van de productie drie dingen: een virtueel model van hoe het werk stroomt, de regels en bedrijfsomstandigheden van de echte fabriek, en een stroom van realtime data uit de productiehal. Veel mensen gebruiken de term digital twin van de productie voor de variant die orders, middelen en ploegen omvat in plaats van één fysiek object. Digital twins bieden een manier om de echte fabriek in een virtuele omgeving te zien.

Hoe verschilt een digital twin van een simulatie?

NIST omschrijft een twin als een dynamische, datagedreven virtuele weergave die moet repliceren, verbinding maken met en synchroniseren met zijn fysieke tegenhanger, en stelt dat het geen statisch model is. Het noemt drie essentiële elementen: robuuste sensortechnologie met hoge frequentie voor het verzamelen van data, betrouwbare industriële IoT-infrastructuur voor connectiviteit, en geavanceerde simulatiemodellen voor voorspellende analyse. Volgens NIST bepalen deze elementen de getrouwheid, bruikbaarheid en langetermijnlevensvatbaarheid van de twin. Lees de NIST-pagina over essentiële elementen.

McKinsey trekt een vergelijkbare grens. Een echte twin combineert vaak meerdere fysieke modellen en processen en verwerkt realtime data live, en dat onderscheidt hem van een eenvoudig model of een CAD-tekening. Zie McKinsey over digital twins.

Het verschil zit dus in de verbinding. Een digitaal twinmodel is nuttig omdat het actueel is:

• Een simulatie is een model dat je draait om een vraag te beantwoorden. Je laadt data, draait het model en leest het resultaat af. Discrete-eventmodellen zijn een veelvoorkomend type.
• Een digital twin blijft data ontvangen, zodat het model weergeeft wat er nu gebeurt. Je kunt er tests mee uitvoeren, en het resultaat is gebaseerd op de actuele toestand.

Een fabriekssimulatie is dus een van de belangrijkste toepassingen van een digital twin, maar het is niet hetzelfde. Een eenmalige studie voor een nieuwe productielijn kan erg nuttig zijn, en veel fabrieken beginnen daar. Het wordt pas een twin wanneer de data regelmatig binnenstroomt.

Digitale-twintechnologie past ook binnen het bredere thema Industrie 4.0 en smart manufacturing, het idee van verbonden machines, data en software in de productie, waarbij het internet of things één bron van data is. Digital twins in smart manufacturing zijn een manier om die data te benutten en digitale transformatie te ondersteunen.

Welke soorten digital twins bestaan er?

McKinsey noemt vier veelvoorkomende archetypes: de producttwin, de twin van de productiefabriek, de twin voor inkoop en toeleveringsketen, en de infrastructuurtwin. Voor een fabriek zijn er twee het belangrijkst.

• Producttwin. Die volgt een product van ontwerp tot gebruik en helpt engineering ontwerpen te testen en te zien hoe ze zich in de praktijk gedragen.
• Twin van de productiefabriek. Die beeldt een faciliteit af, met de lijnen, middelen en stroom van producten. Dit is de digital twin die fabrieksmanagers gebruiken voor vragen over planning, capaciteit en knelpunten in de productieactiviteiten.

Binnen een fabriek kun je ook in lagen denken, of in typen digital twins. Een twin kan een enkel asset omvatten, zoals een machine voor predictive maintenance. Hij kan een proces omvatten, zoals een verpakkingslijn. Of hij kan een systeem van lijnen, hallen en orders omvatten. Hoe groter de scope, hoe meer data en inspanning je nodig hebt. Daarom beginnen de meeste fabrieken met één asset of één lijn.

Waar levert digital twin manufacturing het eerst rendement op?

De voordelen van digital twins hangen af van de use case. McKinsey noemt voordelen zoals snellere productontwikkeling dankzij snelle ontwerpiteraties, betere productkwaliteit doordat het productieproces virtueel getest kan worden, en lager materiaalgebruik. Het rapporteert dat fabrikanten van consumentenelektronica in één door hen beschreven geval de uitval met ongeveer 20 procent verlaagden. Zie cijfers als dit als voorbeeld van wat mogelijk is, niet als belofte voor jouw fabriek.

Voor een fabrieksmanager komen vier digital twin use cases het vaakst naar voren:

1. Analyse van knelpunten en doorstroming. Waar wacht het werk, en wat beperkt de output?
2. What-if-tests voor capaciteit en bezetting. Lost een extra shift, een nieuwe machine of een kleinere buffer de vraag op?
3. Predictive maintenance. Een digital twin van een machine gebruikt sensordata om slijtage op te sporen voordat er een storing optreedt.
4. Kwaliteits- en procesoptimalisatie. Een model van een productieproces helpt instellingen te vinden die uitval verminderen en de productkwaliteit verbeteren.

Als je grootste probleem de leverprestatie is, begin dan met nummer 1 of 2. Gaat het om ongeplande stilstand, begin dan met nummer 3. Kies de use case met een duidelijke businesscase, want die bepaalt of het management de digitale tweeling-oplossing steunt.

Hoe begin je met een digitale tweeling?

McKinsey adviseert om je digitale volwassenheid te beoordelen, een specifieke en beheersbare use case te kiezen, te starten met een klein minimaal levensvatbaar product, het werk te koppelen aan een duidelijke businesscase en rekening te houden met obstakels zoals vaardigheden, initiële investeringen en toegang tot kwalitatieve data. In de praktijk komt dat neer op zes stappen:

1. Formuleer de vraag. Bijvoorbeeld: "Kunnen we op lijn 2 zonder overuren 100 eenheden per dag halen?"
2. Bepaal de scope. Eén lijn, één cel of één productfamilie. Niet de hele fabriek.
3. Controleer de data. Heb je betrouwbare routings, cyclustijden, middelen, shiftkalenders en actuele orderdata? Hiaten hier wegen zwaarder dan welke tool ook.
4. Bouw een eerste model. Houd het eenvoudig. Neem de belangrijkste middelen, de stroom en de belangrijkste regels op.
5. Vergelijk met de werkelijkheid. Draai het model op de orders van vorige maand en controleer of de uitkomst dicht bij wat er echt gebeurde ligt. Verbeter het model tot dat zo is.
6. Koppel en groei. Voer actuele data in, gebruik het model voor de volgende beslissing en breid daarna de scope uit.

Stap 5 is waar het vertrouwen ontstaat. Als operators zien dat het model overeenkomt met wat zij op de werkvloer weten, zullen ze het gebruiken. Zo niet, dan negeren ze het.

Voorbeeld: een wijziging testen op een lijn met drie stations

Dit voorbeeld gebruikt veronderstelde getallen.

Een lijn heeft drie stations achter elkaar. Station A heeft 4,0 minuten per eenheid nodig, station B 5,5 minuten en station C 4,5 minuten. De shift heeft 7,5 productieve uren. De vraag is 100 eenheden per dag.

Capaciteit per uur:

• A: 60 ÷ 4,0 = 15,0 eenheden
• B: 60 ÷ 5,5 = ongeveer 10,9 eenheden
• C: 60 ÷ 4,5 = ongeveer 13,3 eenheden

Station B is de bottleneck, dus de lijn maakt ongeveer 10,9 × 7,5 = 82 eenheden per dag. Dat is 18 eenheden minder dan de vraag.

Optie 1: overwerk van 1,5 uur. De productieve tijd wordt 9 uur. Output: 10,9 × 9 = ongeveer 98 eenheden. Nog steeds net niet genoeg.

Optie 2: een tweede machine bij station B. De effectieve tijd bij B halveert naar 2,75 minuten, dus B maakt 60 ÷ 2,75 = ongeveer 21,8 eenheden per uur. Nu is station C de beperkende factor met 13,3 eenheden per uur. Output: 13,3 × 7,5 = 100 eenheden. De vraag wordt gehaald en de bottleneck verschuift naar C.

Deze rekensom houdt geen rekening met variatie. In een echte fabriek verlagen stilstanden, omstelling en productmix de output. Een digitale tweeling voegt die effecten toe, zodat je kunt zien of 100 eenheden op een gewone dag wordt gehaald of alleen op een perfecte dag. Dat is de waarde van het model: je kunt het idee eerst in het virtuele model simuleren en digitale tweelingen gebruiken om het effect te zien voordat je geld uitgeeft.

Veelgemaakte fouten

• Beginnen met de tool. Kies eerst de vraag en pas daarna de technologie.
• Alles tegelijk tweeling maken. Een grote scope vertraagt het eerste resultaat en de eerste les.
• Datakwaliteit negeren. Verkeerde cyclustijden of oude routings leveren een zeker, maar fout model op.
• Een model bouwen dat niemand bijwerkt. Zonder synchronisatie wordt het een simulatie die veroudert.
• Validatie overslaan. Als het model niet is vergeleken met echte resultaten, moet niemand zijn voorspellingen vertrouwen.
• De werkvloer buiten beschouwing laten. Operators en voormannen kennen de uitzonderingen. Betrek hen bij het bouwen en controleren van het model.

Hoe software kan helpen

Productiesoftware voor een digitale tweeling moet het model en de data samenbrengen. iFAKT's Polaris is productiesoftware die iFAKT presenteert als "AI + Digital Twin for Production". Het haalt order- en stamdata uit het ERP-systeem en combineert die met een digitale tweeling van de fabriek, zodat planningen geoptimaliseerd kunnen worden, bottlenecks zichtbaar worden en de levering op tijd verbetert. Wat je ook kiest, vraag hoe de tool zijn data krijgt, hoe vaak het model wordt bijgewerkt en hoe je het controleert aan de hand van echte resultaten.

Volgende stap

Kies één lijn en schrijf één vraag op die een digitaal tweeling-productieproject moet beantwoorden, met een getal zoals stuks per dag of levering op tijd. Controleer daarna of de data voor die lijn compleet en betrouwbaar is, voordat je naar een tool kijkt.