Digital twin vs simulatietools: hoe kies je voor je fabriek

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 · 2026-11-12

Digital twin vs simulatietools: wat ze van elkaar onderscheidt, welke vragen elk beantwoordt en hoe fabriekmanagers kunnen kiezen zonder meer te kopen dan ze nodig hebben.

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

Een simulatie is een model dat je draait om te zien wat er zou kunnen gebeuren als je iets verandert. Een digital twin is een model dat verbonden blijft met de echte fabriek en met live data wordt bijgewerkt. Dat is de kern van de vraag digital twin vs simulatietools, en het bepaalt wat je koopt, welke data je nodig hebt en wie het daarna moet onderhouden. Dit artikel is voor fabriekmanagers die beide termen in leveranciersgesprekken hebben gehoord en een manier nodig hebben om te kiezen.

Belangrijkste punten

• Een simulatie is een model dat je draait om een wat-als-vraag te beantwoorden; een digital twin is een model dat via live data verbonden blijft met de echte fabriek.
• NIST noemt drie essentiële elementen van een twin: sensoren met hoge frequentie, betrouwbare industriële IoT-connectiviteit en simulatiemodellen voor voorspellingen.
• Simulatie is een kernonderdeel van de meeste twins, dus de echte keuze is of je vraag een live verbinding nodig heeft of alleen een goed model.
• Kies simulatie voor beslissingen over veranderingen die er nog niet zijn, en een twin voor het monitoren en sturen van wat er nu draait.
• Test elk hulpmiddel eerst op één smalle vraag en controleer hoe het aan zijn data komt, hoe je het valideert en wie de resultaten kan inzien.

Wat is het verschil tussen een digital twin en een simulatie?

Begin met de definities, want leveranciers rekken beide woorden op.

NIST, het Amerikaanse standaardisatie-instituut, beschrijft een digital twin als een dynamische, datagedreven virtuele weergave die zijn fysieke tegenhanger nauwkeurig moet repliceren en ermee gesynchroniseerd moet blijven. NIST stelt dat een succesvolle twin geen statisch model is. Het noemt drie essentiële elementen: sensoren met hoge frequentie, betrouwbare industriële IoT-connectiviteit en simulatiemodellen voor voorspellende analyse.

Let op het derde element. Simulatie zit binnen de twin. Een NIST-paper over simulatie en digital twins beschrijft hoe experts de relatie zien. Een panellid omschreef simulatie als een model van productieprocessen dat vaak op zichzelf wordt gebruikt en niet met het echte systeem is verbonden, terwijl een twin ook synchroniseert met de fysieke kant en de volledige levenscyclus kan omvatten. Een ander panellid zag geen fundamenteel verschil en noemde "digital twin" een nieuwe naam voor iets wat simulatiemensen al decennia doen. Volgens de paper is het debat nog niet afgerond.

Dit is een praktische lezing. Als een tool alleen draait wanneer iemand hem start met gekozen invoer, behandel hem als simulatie. Als hij blijft ontvangen van de fabriek en meeverandert, behandel hem als twin. Veel producten zitten ertussenin, en het label op de brochure vertelt je niet waar.

Een vergelijking helpt. Een simulatie is als het plannen van een reis met een papieren kaart: je kiest de route, controleert de afstand, en de kaart verandert niet terwijl je rijdt. Een twin is als navigatie die het verkeer ziet terwijl het gebeurt.

Welke vragen beantwoordt elk van beide?

Kies het hulpmiddel op basis van de vraag, niet andersom.

Een fabrieksimulatie beantwoordt vragen over iets wat er nog niet is, of wat je niet op de lijn kunt testen:

• Lost een tweede ploeg op de assemblagecel de achterstand op, of verschuift het knelpunt gewoon?
• Wat gebeurt er met de doorlooptijd als de productmix verschuift naar de complexe varianten?
• Is de geplande buffer tussen twee werkstations groot genoeg?
• Draagt de nieuwe lijnopstelling de vraag die we over twee jaar verwachten?

Een digital twin beantwoordt vragen over de fabriek zoals die nu draait:

• Welke orders worden te laat, gezien waar het werk op dit moment echt staat?
• Welke machine vertoont signalen dat hij binnenkort stilvalt?
• Hoe ver is het plan sinds vanochtend afgedreven van de werkvloer?
• Hoe ziet het huidige energieverbruik per lijn eruit?

Kortom: simulatie is bedoeld voor beslissingen over verandering, en een twin is bedoeld om de dagelijkse run te sturen. Veel fabrieken hebben beide nodig, en de volgorde doet ertoe. Als je nog niet weet of een verandering de moeite waard is, heb je geen live datastroom nodig. Als je al weet wat je wilt volgen, kijkt een model alleen je dat niet voor je na.

Welke data heeft elk van beide nodig?

Data is waar de meeste projecten vastlopen, dus vraag hier naar voordat je een demo bekijkt.

Een simulatie heeft een schone, afgestemde beschrijving van het proces nodig: routings, cyclus- en omsteltijden, middelen, shiftkalenders, batchgroottes en vraag. Vaak haal je dit uit het ERP-systeem en een paar spreadsheets. Het is een eenmalige inspanning per model, plus updates wanneer het proces verandert. De meeste tijd gaat zitten in het valideren van de cijfers samen met de mensen die de lijn draaien.

Een twin heeft dezelfde beschrijving nodig, en daarnaast een datastroom. De lijst van NIST noemt sensoriek en connectiviteit als essentiële elementen, wat betekent dat iemand die datapaden moet installeren, onderhouden en beveiligen. In een fabriek met oude machines kan dat het grootste deel van het project zijn. De twin is pas zo goed als het updatepad erachter. Als de datastroom stopt, toont de twin een oud beeld en ziet die er toch zelfverzekerd uit.

Twee vragen doorprikken de meeste verkoopgesprekken:

1. Welke updatefrequentie heeft de beslissing werkelijk nodig: elke paar seconden, elke shift of elke week?
2. Welke data verzamelen we nu al en vertrouwen we?

Als de beslissing één keer per week in een planningsvergadering wordt genomen, is een dagelijkse dataverversing meestal voldoende, en zou een streamingarchitectuur vooral dure decoratie zijn.

Waar passen Microsoft-tools in?

Microsoft heeft een platformservice voor de live-twinkant. Azure Digital Twins is volgens Microsoft Learn een platformservice voor het maken van twin-graphs: digitale modellen van omgevingen zoals gebouwen, fabrieken of energienetwerken. Je definieert twin-types in een JSON-achtige taal die DTDL heet, en de eigenschappen worden actueel gehouden met live data, bijvoorbeeld via Azure IoT Hub voor apparaten of via REST-API's voor bedrijfssystemen. Het ondersteunt queries op de graph en kan data doorsturen naar andere Azure-services.

Wees duidelijk over wat dit is. Het is een bouwsteen voor ontwikkelaars, geen kant-en-klare fabrieksimulatie. Het slaat het twinmodel en de bijbehorende data op en verbindt ze. De what-if-logica van een productiesimulatie, met wachtrijen, omsteltijden en shiftkalenders, is een ander stuk software. Microsoft merkt ook op dat Azure Digital Twins niet hetzelfde is als de digital twin builder-preview in Microsoft Fabric of de apparaattwins in IoT Hub. Controleer dus welke van de twee een collega of leverancier bedoelt voordat je erop gaat plannen.

Voor rapportage is een veelgebruikt patroon om resultaten in een dataset te zetten en ze te tonen in Power BI. Dat helpt managers trends te zien. Het maakt het model niet beter, dus houd de kwaliteit van het model als eerste prioriteit.

Hoe kies je tussen een twin en een simulatietool?

Gebruik deze volgorde van vragen. Het kost één workshop, meer niet.

1. Leg de beslissing vast. Eén zin: "We moeten X beslissen vóór datum Y." Zonder die zin lijkt elke tool nuttig.
2. Benoem wie het antwoord gaat gebruiken. Een planner, een fabrieksmanager, een shiftleider? Hun vaardigheden bepalen hoe de resultaten moeten worden gepresenteerd.
3. Controleer of de beslissing over een verandering gaat of over de run van vandaag. Verandering wijst naar simulatie. De run van vandaag wijst naar een twin of naar planning- en monitoringtools.
4. Maak een lijst van de data die je hebt en de kwaliteit ervan. Wees eerlijk over hiaten.
5. Bepaal het updateritme. Live, dagelijks of op verzoek.
6. Kies de kleinste pilot. Eén lijn, één productfamilie, één vraag.

Lukt stap 1 niet, stop dan. Een platform kopen om uit te zoeken welke vragen je moet stellen, is de duurste manier om te leren.

Welke vragen stel je aan een leverancier?

Ongeacht het label gelden dezelfde vragen:

• Hoe komt het model aan zijn data, en hoe vaak wordt die ververst?
• Hoe toets ik het model aan echte resultaten, en wie doet dat?
• Kan een planner de resultaten lezen zonder dat de leverancier erbij zit?
• Wat gebeurt er als het proces verandert? Wie werkt het model bij, en hoeveel tijd kost dat?
• Wat kost het om het de komende drie jaar te laten draaien, naast de licentie?
• Kan ik de modeldata exporteren, of zit ik vast?

Vraag om een pilot met je eigen data. Een demo op de voorbeeldfabriek van de leverancier zegt weinig over die van jou.

Wat zijn de voor- en nadelen, in begrijpelijke taal?

Simulatie is goed om opties veilig te testen, zeker waar je weinig live data hebt. Voor één losstaande vraag is het vaak sneller opgezet. De beperking is dat het een momentopname is: verandert de situatie, dan moet je het model bijwerken en opnieuw draaien. Bovendien zijn de antwoorden alleen zo goed als de aannames die je erin hebt gestopt.

Een twin geeft je een actueel beeld en kan voorspellingen ondersteunen. De prijs is het integratiewerk, het databeheer en de mensen die het draaiende houden. Ook een twin bevat aannames, want elke twin is een vereenvoudigd beeld van de fabriek. Het NIST-document maakt vanuit kritisch perspectief hetzelfde punt: een twin moet gevalideerd worden, is altijd vereenvoudigd en kan niet volledig vastleggen hoe mensen beslissen.

Kunnen die twee samenwerken?

Ja, en dat is de richting waar veel fabrieken uiteindelijk naartoe gaan. Een simulatiemodel kan gevoed worden met actuele data en gebruikt worden om opties te toetsen aan de werkelijke situatie in de fabriek. Een twin kan een simulatiemodel aanroepen om vooruit te kijken vanaf de huidige stand op de vloer. De beschrijving van het NIST-panel wijst op hetzelfde patroon: closed-loop-benaderingen waarbij productiedata naar een simulatie stroomt en simulatie online beslissingen ondersteunt.

Het lastige is niet het idee. Het is dat de onderdelen zelden uit één bron komen. Machinedata, ERP-data en het simulatiemodel hebben allemaal hun eigen formaten en eigenaren. Plan tijd in voor datamapping en voor afspraken over wie welk deel beheert. Standaarden zoals ISO 23247, het digitale-twinkader voor productie, zijn opgesteld om gemeenschappelijke termen en richtlijnen te bieden, en ISO vermeldt het als een reeks van meerdere delen, met een overzicht en algemene principes in deel 1. Lezen bouwt je twin niet, maar het geeft je team en je leveranciers een gedeelde woordenschat.

Veelgemaakte fouten

• Een twin kopen terwijl de vraag eenmalig is. Als je alleen een keuze moet maken over een shiftmodel, is een simulatie genoeg.
• Het label als bewijs zien. Een dashboard met een 3D-beeld is geen twin, tenzij er live data achter zit.
• Validatie overslaan. Laat het model eerst de resultaten van vorige maand reproduceren. Kan het het verleden niet nabootsen, vertrouw het dan niet voor de toekomst.
• Beginnen met de hele fabriek. Kies één lijn en één vraag.
• De eigenaar vergeten. Een model dat niemand bijwerkt, is binnen een paar maanden verouderd.
• Het datapad negeren. De sensoren en verbindingen kosten geld om in bedrijf te houden, lang nadat het projectteam is vertrokken.

Waar Polaris past

Begint je vraag met een wat-als-scenario, dan is iFAKT Polaris een optie om te bekijken. iFAKT omschrijft Polaris als AI plus een digitale twin voor productie: het combineert ERP-data met een digitale twin van de productie. De module Polaris Designer zet invoerdata zoals ERP-data, procestijden, resourcestructuren en beperkingen om in een kennisgraaf van product, proces en resource. De module Polaris Simulator bouwt daarop voort om capaciteit, bezetting en buffersscenario's virtueel te testen voordat er echte beslissingen worden genomen. Of het past, hangt af van je data en je vraag, dus test het eerst op één afgebakende casus.

Gerelateerde onderwerpen om te verkennen

• Waar je begint met een twin. Definieer één asset of lijn, de data die daarvoor nodig is en de beslissing die je ermee ondersteunt, voordat je een platform kiest.
• Hoe je een simulatiemodel voedt. Routings, cyclustijden en shiftkalenders hebben een eigenaar en een kwaliteitscontrole nodig voordat de eerste run plaatsvindt.
• Hoe valideer je een model. Vergelijk de output met een eerdere periode met echte resultaten en noteer de verschillen.
• Machine- en ERP-data koppelen. Plan datamapping, formaten en interfaces vroeg in, want integratie is het punt waarop hybride projecten vastlopen.
• Wie onderhoudt het model. Bepaal wie het na elke proceswijziging bijwerkt, en hoe vaak.

Volgende stap

De vraag digital twin versus simulatietools is het makkelijkst te beantwoorden met één schriftelijk besluit. Schrijf de volgende beslissing op die je in je fabriek moet nemen, noteer of het gaat om een wijziging of om de huidige productie, en neem die zin mee naar je volgende gesprek met een leverancier.