Defining the operational needs and optimal process coverage of digital twin in ABB Drive Products' operations

Digital twin technology is becoming an increasingly recognized tool in manufacturing optimization. It is a vital component of an Industry 4.0 strategy, integrating advanced technologies such as artificial intelligence, cloud computing, and the Industrial Internet of Things to provide enhanced process visibility, improved operational efficiency, and scenario simulation capabilities. Digital twins are designed for a specific environment and purpose. Consequently, the operational needs must be defined in advance to create an optimal solution recommendation and assess the possible benefits of the system before deciding on implementation. To evaluate the applicability and potential of digital twin technology within the case company’s operations, this study conducted semi-structured interviews with seven stakeholder groups. The interviews focused on identifying current operational challenges, data requirements, and expected system functionalities. The results were analyzed by identifying key words in thematic categories. The research identifies that to address current operational challenges, the system must provide real-time visibility into production processes and material flow, coupled with planning, forecasting, decision support, analytics, and process optimization capabilities. To meet these needs effectively, a predictive and prescriptive digital twin model is recommended, with potential enhancement through real-time control features. Additionally, the study determines that an optimal digital twin should be modular, scalable, and tailored to varying user needs, focusing primarily on high-level process flow and workstation status enhanced with more granular disruption details and material flow data. Product and component-level digital twins are considered secondary in priority for current operational improvements. For optimizing the case company’s manufacturing operations, two levels of analytics are proposed: predictive and prescriptive. Predictive capabilities support disruption management and proactive problem-solving, while a prescriptive twin offers strategic decision-making support and process optimization. However, findings reveal that a digital shadow – a solution that collects, analyzes, and visualizes data without direct feedback to the physical system – suffices to address the identified operational needs. While a full digital twin could offer additional benefits, particularly in automation, the current operational environment would significantly benefit from implementing a digital shadow.

Digitaalisesta kaksosesta on tullut yhä tunnetumpi työkalu tuotannon optimoinnissa. Se on merkittävä osa Industry 4.0 -strategiaa, yhdistäen edistyneitä teknologioita kuten tekoälyllä toteutettavaa analytiikkaa, pilvilaskentaa, ja teollista esineiden internetiä (IIoT), tarjoten pa-rannettua prosessin läpinäkyvyyttä, operatiivista tehokkuutta ja skenaarioiden simulointia. Digitaaliset kaksoset suunnitellaan aina tiettyyn ympäristöön ja käyttötarkoitukseen. Sen vuoksi on ensin määriteltävä operatiiviset tarpeet, jotta voidaan luoda optimaalinen teknologinen ratkaisu ja arvioida järjestelmän mahdollisia hyötyjä ennen kuin tehdään päätös toteutuksesta. Tämän tutkimuksen tavoitteena oli arvioida digitaalisen kaksosen soveltuvuutta ja potentiaalia kohdeyrityksen toiminnassa. Tutkimusta varten suoritettiin puolistrukturoidut haastattelut seitsemän sidosryhmän edustajille. Haastatteluissa kartoitettiin tämänhetkisiä operatiivisia haasteita, datavaatimuksia, ja järjestelmältä odotettuja hyötyjä. Tulokset analysoitiin etsimällä avainsanoja temaattisista kategorioista. Tutkimus osoittaa, että nykyisten operatiivisten haasteiden ratkaisemiseksi järjestelmän tulee tarjota reaaliaikainen näkyvyys tuotantoprosesseihin ja materiaalivirtaan, yhdistettynä suunnittelu-, ja ennustuskyvykkyyteen, päätöksenteon tukemisen kyvykkyyteen, analytiikkaan ja prosessien optimointikyvykkyyksiin. Näiden tarpeiden täyttämiseksi suositellaan ennakoivan ja määräävän (prescriptive) digitaalisen kaksosen mallia, mahdollisesti täydennettynä reaaliaikaisella ohjausominaisuudella. Lisäksi tutkimus osoittaa, että optimaalisen digitaalisen kaksosen tulisi olla modulaarinen, skaalautuva ja käyttäjätarpeisiin mukautuva, ja painottaa erityisesti korkean tason prosessivirtatietoja ja työpisteiden statustietoja, joita täydentävät tarkemmat häiriöiden ja materiaalivirran tiedot. Tuote- ja komponenttitason digitaaliset kaksoset katsotaan toissijaisiksi nykyisten operatiivisten parannusten näkökulmasta. Kohdeyrityksen tuotannon optimointia varten esitetään kahden tason analytiikkaa: ennakoivaa (predictive) ja määräävää (prescriptive) analytiikkaa. Ennakoivat kyvykkyydet tukevat häiriöiden hallintaa ja ennakoivaa ongelmanratkaisua, kun taas määräävä digitaalinen kaksonen tarjoaa strategisen päätöksenteon tukea ja prosessien optimointia. Tutkimuksen löydökset kuitenkin osoittavat, että digitaalinen varjo – ratkaisu, joka kerää, analysoi ja visualisoi dataa ilman suoraa palautetta fyysiseen järjestelmään – riittää tunnistettujen operatiivisten tarpeiden täyttämiseen. Vaikka täysimittainen digitaalinen kaksonen voisi tarjota lisähyötyjä erityisesti automaation yhteydessä, nykyinen operatiivinen ympäristö hyötyisi merkittävästi digitaalisen varjon käyttöönotosta.