Tijdens productontwikkeling worden vaak digital twins gebruikt. Voor testing is dit model vrijwel onmisbaar. In het boek ‘Testing in the digital age – AI makes the difference’ komt dit uitgebreid aan bod. Hoe je met een digital twin in testen kunt voorspellen leg ik uit in deze blog.
Waar gaat de fout optreden?
Het is een uitdaging om te voorspellen waar een fout gaat optreden. We weten immers niet wat er in de toekomst allemaal kan gebeuren met een product. Uiteindelijk vinden we een goed product alleen maar goed omdat we vertrouwen hebben dat er geen grote fouten meer in zitten. Historisch gezien geven de juiste testen uitvoeren en het slagen daarvan het meeste vertrouwen.
Complexe producten testen
In de ‘digital age’ is er grotere hang naar meer en snellere releases en worden producten oneindig complex. Om dit mogelijk te maken moeten we snel veel vertrouwen krijgen in een product(versie). Met alleen bestaande testen uitvoeren kunnen we dat niet meer bijhouden. Meer vertrouwen toevoegen kan eigenlijk alleen nog maar als we ook goede voorspellingen kunnen doen. Een digitale kopie (of digital twin) van een product is dus nodig om goede voorspellingen mogelijk te maken.
Mechanisme van voorspellen
Het voorspellen van het weer, wedstrijduitslagen of de beurskoers begint bij een goede verzameling van historische data. Op basis van de historie kan een trend worden herkend. Een simpele voorspelling is het doortrekken van een trend en dat als de toekomst aanmerken. Een betere voorspelling wordt gemaakt als we de historische data in een model beschrijven. Bekende data wordt in het model geladen en losgelaten op de toekomst. Het wordt nog interessanter als er meerdere modellen gemaakt worden die allemaal dezelfde historische data als input krijgen en daarna hun eigen gang mogen gaan. We moeten dan alleen nog het meest waarschijnlijke pad kiezen wat de toekomst voorspelt.
Model Digital Twin maken
Je kunt een model maken op basis van historische gegevens, en het kan ook meegroeien tijdens productontwikkeling. Een eerste idee kan al als model worden vastgelegd. Dit kan een schets zijn, een tabel met data, een gedragsbeschrijving of een verhaal over hoe het product straks moet gaan werken. Gedurende de ontwikkeling groeit het model mee met het echte product en wordt steeds gedetailleerder. Fysieke onderdelen kunnen in digitale tekeningen tot op het niveau van de kleinste schroef worden vastgelegd en alle materiaaleigenschappen worden gebruikt om krachtberekeningen op te doen. Voor software kan een virtuele omgeving worden gemaakt waar de software draait.
Het model dat meegroeit tijdens productontwikkeling noemen we de digital twin.
Gedetailleerde kopie om te voorspellen
Een eerste versie van de digital twin kan al getest worden. Het voordeel is nu dat er vroeg in het proces wordt getest en wijzigingen nog makkelijk (en goedkoop) zijn door te voeren. Als de digital twin een gedetailleerde kopie is van het werkelijke product kan deze worden ingezet voor voorspellingen. Gebruik allerlei varianten testdata voor de digital twin en kijk hoe hij reageert. Ook de omgeving waarmee de digital twin communiceert kan worden voorzien van allerlei variaties. Het is zelfs mogelijk kleine variaties op de digital twin toe te passen om te zien hoe gedrag verandert. Reken dus verschillende versies van de digital twin door om te kijken wat de uitkomst is. Het is aan de testengineer om de meest waarschijnlijke eindsituaties te analyseren om te zien of hier fouten kunnen optreden.
Wil je goed voorspellen, dan moeten meerdere modellen worden doorgerekend met meerdere startpunten. Aan de basis moet één goed model staan en dat is de digital twin. De digital twin is dus onmisbaar in het doen van goede voorspellingen.
Meer weten?
Het boek “Testing in the digital age” vertelt meer over de digital twin en voorspellen in testen.
