Digital Twin van de waardestroom: test wijzigingen voordat je ze doorvoert

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

Een digital twin van de waardestroom modelleert een productfamilie met live data, zodat je batchgroottes en diensten virtueel kunt testen. Bevat een verzonnen voorbeeld.

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

Een digital twin van de waardestroom is een model van de stroom van één productfamilie dat synchroon blijft met echte data, zodat je een wijziging op het model kunt testen voordat je ze op de werkvloer doorvoert. Dit artikel is bedoeld voor productiemanagers die een waardestroomkaart en een lijst met ideeën hebben, en die willen weten welk idee het waard is om uit te proberen. Het legt uit wat de twin is, wat hij nodig heeft, hoe een what-if-test werkt, geeft een verzonnen voorbeeld met cijfers en beschrijft de beperkingen waar je rekening mee moet houden.

Belangrijkste punten

• Een digital twin van de waardestroom is een model van één productfamilie dat synchroon blijft met data, zodat wijzigingen op het model getest kunnen worden voordat ze op de werkvloer worden doorgevoerd.
• ISO 23247-1 definieert een digital twin als een voor het doel geschikte digitale weergave van een waarneembaar productie-element, met synchronisatie tussen het element en zijn weergave.
• Een simulatiestudie van een productiefaciliteit voor buizen combineerde waardestroommapping met discrete-event-simulatie om meetbaar bewijs te leveren voor lean-wijzigingen.
• Kalibreer eerst: het model moet de huidige doorlooptijd en doorvoer reproduceren voordat je de antwoorden over morgen vertrouwt.
• Draai what-if-scenario's, zoals een kleinere batch, een snellere omstelling of een extra operator, één voor één en bevestig daarna de winnaar in een proef op de werkvloer.

Wat is een digital twin van de waardestroom?

Een waardestroomkaart laat zien hoe materiaal en informatie door een productfamilie stromen, met processtappen, wachtrijen en overdrachten. Het is een momentopname. Het kan je niet vertellen wat er met de doorlooptijd gebeurt als je de batchgrootte halveert, een operator toevoegt of een omstelling verkort, omdat de kaart niet beweegt.

Een model dat wel beweegt, is een simulatie. Het representeert de stappen, de middelen, de orders en de normale variatie, en speelt de stroom in de tijd vooruit af. Op de vraag "wat gebeurt er als?" krijg je dan een gekwantificeerd antwoord. De entiteitspagina over factory simulation beschrijft dit als een gecontroleerd model van hoe werk door een deel van een fabriek beweegt, zodat een voorgestelde wijziging getest kan worden voordat ze wordt doorgevoerd.

Een digital twin gaat een stap verder: een twin maakt het mogelijk om elke test te starten vanuit de echte situatie. De Internationale Organisatie voor Standaardisatie definieert dit in ISO 23247-1 als een voor het doel geschikte digitale weergave van een waarneembaar productie-element, met synchronisatie tussen het element en zijn digitale weergave. Simpel gezegd is een digital twin een virtuele replica die wordt bijgewerkt op basis van waarnemingen, en een digital twin van de waardestroom past dat idee toe op de stroom van een productfamilie. Waarneembare productie-elementen zijn onder meer personeel, apparatuur, materiaal, proces en faciliteit. Voor een waardestroom is het element de stroom zelf: de stappen, machines, mensen, materialen en orders.

De test is eenvoudig. Als het model vertrekt vanuit de huidige echte situatie, omdat data het actueel houdt, gedraagt de digital twin zich als een twin. Als je het één keer handmatig vult, is het een simulatie.

Waarom wijzigingen virtueel testen?

Wijzigingen op de werkvloer kosten tijd en verstoren de output. Een test op een model kost uren en stopt de productielijn niet. Wei Xia en Jiwen Sun beschrijven dit in een casestudy van een buizenbewerkingsfabriek, gepubliceerd in het Journal of Industrial Engineering and Management in 2013. Zij combineerden value stream mapping met discrete-event-simulatie, een methode die een systeem modelleert als een reeks gebeurtenissen in de tijd. Het abstract stelt dat de simulatie meetbaar bewijs levert voor lean-aanpakken, de onzekerheid verlaagt en overeenstemming tussen belanghebbenden bevordert. Ook melden de auteurs dat de gesimuleerde resultaten overeenkwamen met de echte productiedata en dat scenario's werden gebruikt om een toekomstige situatie te bepalen. Het abstract geeft geen cijfers, dus lees het als een methodeverwijzing en niet als bewijs van een bepaalde winst.

In de praktijk levert dit drie voordelen op:

• Minder risico. Je ziet een slecht idee voordat je ervoor betaalt.
• Betere rangschikking. Bij meerdere ideeën laat het model zien welke de doorlooptijd of doorvoer het meest verbetert.
• Gedeeld begrip. Planning, productie en finance kunnen naar dezelfde testcase kijken en het eens worden over de cijfers.

Wat heeft het model nodig?

Het model is niet beter dan de invoer. Verzamel voor een eerste versie:

• Routings: de stappen en hun volgorde voor elk product in de familie.
• Tijden: cyclustijden, insteltijden en omsteltijden, gemeten op de werkvloer en niet alleen overgenomen uit het ERP-systeem.
• Beschikbaarheid: shiftkalenders, geplande pauzes, storingen en hun gebruikelijke duur.
• Vraag: ordergroottes en aankomstpatronen, inclusief de mix van varianten.
• Regels: batchgroottes, vrijgaveregels, prioriteiten en bufferlimieten.
• Mensen: operators per stap en hun kwalificaties.
• Variatie: de spreiding van de tijden, niet alleen de gemiddelden, want wachtrijen ontstaan door variatie.

Sensoren en machineverbindingen (het Internet of Things) kunnen realtimedata leveren over cyclustijden en stilstand, en handmatige registratie verminderen. Ze helpen, maar een eerste digital twin kan ook draaien op ERP-boekingen en een tijdstudie met stopwatch. Voeg machinedata toe waar een beslissing die nodig heeft.

Hoe voer je een what-if-test uit?

1. Stel de nulmeting op. Modelleer de huidige situatie van één productfamilie.
2. Kalibreer. Draai het model en vergelijk de doorlooptijd, doorvoer en wachtrijen met gemeten waarden. Is het verschil groot, zoek dan de ontbrekende vertraging of de verkeerde tijd. Ga niet verder voordat het model de huidige situatie reproduceert.
3. Definieer één wijziging. Bijvoorbeeld een kleinere batch, een kortere omsteltijd, een extra operator, een bufferlimiet of een nieuwe vrijgaveregel.
4. Draai het vaak. Door variatie is één run slechts één steekproef, dus voer de test meerdere keren uit en kijk naar de bandbreedte.
5. Vergelijk. Kijk naar doorlooptijd, doorvoer, wachtrijlengte en de benutting van de bottleneck.
6. Combineer. Probeer de beste opties samen, want effecten beïnvloeden elkaar.
7. Proef op de werkvloer. Bevestig de winnaar in een beperkte proef en vergelijk het echte resultaat met de verwachting.
8. Werk het model bij met wat je hebt geleerd.

Voorbeeld: één stroom, drie tests, verzonnen getallen

Dit voorbeeld is verzonnen. De getallen komen niet uit een echte fabriek of een echt model.

Een productfamilie heeft een vraag van 480 eenheden per dag. Het gekalibreerde model reproduceert een doorlooptijd van 9,0 dagen en een doorvoer van 480 eenheden per dag. Volgens de wet van Little, die stelt dat werk in proces gelijk is aan doorvoer maal doorlooptijd, staan er dan 4.320 eenheden in de stroom. De bottleneck draait op 96 procent van zijn capaciteit.

Het team test drie wijzigingen:

• Kleinere batches: de batch halveren van 80 naar 40 eenheden, wat extra omsteltijden toevoegt. Modelresultaat: doorlooptijd 6,5 dagen, doorvoer 470 eenheden per dag, omdat de extra omsteltijden output kosten.
• Extra operator bij de bottleneck: modelresultaat: doorlooptijd 7,8 dagen, doorvoer 480 eenheden per dag.
• Beide samen: kleinere batches en de extra operator. Modelresultaat: doorlooptijd 5,4 dagen, doorvoer 480 eenheden per dag, dus werk in proces is 5,4 maal 480, oftewel 2.592 eenheden.

Het gecombineerde scenario verlaagt de doorlooptijd met 40 procent zonder verlies van output, terwijl kleinere batches alleen al 10 eenheden per dag kosten. Het team start een proef van vier weken met de gecombineerde wijziging en vergelijkt de echte doorlooptijd met de verwachting van 5,4 dagen.

Hoe past dit in het bredere beeld van de digital twin?

Digitale tweelingtechnologie wordt in veel sectoren gebruikt, van losse machines tot hele productielocaties. De meeste beschrijvingen noemen een digitale tweeling een virtuele replica van een fysiek object of een fysiek asset, gevoed door sensoren en connectiviteit, en gebruikt voor analyse, besluitvorming en bijvoorbeeld predictive maintenance. Sommige voegen daar machine learning of kunstmatige intelligentie aan het model aan toe.

De value stream-tweeling is beperkter. Het object is de stroom van een productfamilie, niet één machine. De gegevensbronnen zijn orders, routings, boekingen en gemeten doorlooptijden, en de vraag is operationeel: hoe verbeter je productiviteit, doorlooptijd en operationele efficiëntie door de werkstroom aan te passen? Je kunt een productielocatie stap voor stap optimaliseren met een datagedreven model van de stroom, lang voordat je elk asset in beeld hebt.

Wat zijn de grenzen?

• Garbage in, garbage out. Verkeerde tijden leveren foute antwoorden op, met keurige grafieken.
• Fit for purpose. Een model voor één familie en één vraag is genoeg. Een tweeling van de hele productielocatie is aan het begin zelden nodig.
• Onderhoudskosten. Een tweeling moet synchroon blijven, anders loopt hij weer terug naar een simulatie.
• Mensen en regels. Modellen verwerken regels goed, maar gewoonten en workarounds slecht. Loop over de werkvloer en vergelijk.
• Andere toepassingen. Tweelingen worden ook gebruikt voor assetmanagement en predictive maintenance. Dit artikel gaat alleen over de stroom van een productfamilie.

Veelgemaakte fouten

• Kalibratie overslaan. Een ongecontroleerd model geeft zelfverzekerde onzin.
• Alles modelleren. Meer detail kost tijd en verbetert het antwoord niet altijd.
• Alleen met gemiddelden werken. Variatie veroorzaakt wachtrijen.
• Vijf wijzigingen tegelijk testen. Dan weet je niet welke heeft gewerkt.
• Het model boven de werkvloer vertrouwen. Bevestig altijd met een proef.
• Een tweeling bouwen zonder vraag. Start vanuit de beslissing die je moet nemen.

Hoe software kan helpen

Een simulatiemodel met de hand bouwen kost weken. Software die de routings en orders uit het ERP-systeem leest en de stroom modelleert, bekort dat aanzienlijk. iFAKT's Polaris Simulator is een module van iFAKT Polaris die het productiesysteem virtueel test, bijvoorbeeld bij capaciteits-, bezettings- en buffer-scenario's, en knelpunten zichtbaar maakt voordat er wijzigingen worden doorgevoerd. Kalibreer elk model eerst aan je eigen metingen.

Volgende stap

Een digitale tweeling van de value stream levert pas waarde op als hij één echte vraag beantwoordt, bijvoorbeeld welke wijziging de doorlooptijd het meest verkort. Kies deze week één productfamilie en één beslissing, en maak een lijst van de routings, tijden en regels die een model van die stroom nodig heeft.