Theroretically, servitization benefits industrial companies to generate more revenue, integrate themselves deeper into the value chains of their customers and improves the competitiveness. The ongoing digital transformation can enable servitization towards more advanced services with a more customer centric view. Macro economically, the industrial sector is very important for most of the developed countries. The digital transformation is posing a triple challenge to the machining and equipment manufacturers and will require a continued development of the existing business models, a change of organizational structures and a strong leadership to remain successful. The companies will need to re-evaluate their market justification and define their value proposition to both existing and potentially new customers. New skills are required as data and analytics, represented by IIoT and AI, will play an ever-larger role in the companies’ interaction with their present and new customers. For the industrial companies, servitization is both linked to higher risk and to a higher earnings potential. Implications for Central European audience: The implications for Central European industrial companies of the ongoing digitalisation and servitization will be profound. The European car industry is undergoing significant changes and not only due to E-mobility. Also Products-as-Service will have an impact on their whole value chain. The industrial sector in general and the machining industry in particular will need to re-assess its business models and revenue generation. In addition, senior management is already confronted with the need for both new skill-sets and possibly more agile organisational structures, where the industrial mind-set will be challenged by new service models and the thinking of the digital natives.
Keywords: Servitization; SSPs; SSCs; machining and equipment manufacturers; digital transformation; Industrial services; IIoT; Artificial intelligence
References
Please find here the references belonging to this article: Link
Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden im Rahmenmodell die drei Dimensionen «externe Wertgenerierung» (im Markt, bei den Kunden, in der Anwendung und Nutzung), «interne Wertgenerierung» (innerhalb des Unternehmens) und die dafür benötigten «Datenressourcen» unterschieden. In diesem Beitrag beleuchten wir die zweite Dimension «interne Wertgenerierung». Wir erläutern dazu die drei Achsen und deren Spezifikationen.
Interne Wertgenerierung
Bei Innovationsprojekten für digitale Zwillinge wird das Potenzial, interne Werte zu generieren, oft vernachlässigt. Zu sehr liegt der Fokus auf der Innovation der Value Proposition für die Kunden. Dabei gibt es eine Vielzahl an internen Akteuren und Prozessen, für die ebenfalls Wert entstehen kann. Diese Werte in Form von effizienteren und effektiveren Prozessen und Entscheidungen sind i.d.R. nicht nur unmittelbarer zu realisieren, sondern auch einfacher zu prognostizieren und zu quantifizieren als in der Dimension der externen Wertgenerierung. Nicht zuletzt deshalb müssen bei Investitionsentscheiden für digitale Zwillinge die Potenziale zur Wertgenerierung in der internen und externen Dimension berücksichtigt werden. Oft summieren sich erst in der ganzheitlichen Betrachtung genügend Mehrwerte, um einen positiven Return-on-Investment in Aussicht zu stellen.
Dabei stellen sich in jedem Fall die Fragen, auf welcher Wertebene des Produktmanagements (Value Creation Hierarchy) Wert entstehen soll, welche Prozesse des Lebenszyklus (Lifecycle) verbessert werden können und wie das optimale Management der Produkt- und Prozess-Generationen (Generations / Time) durch digitale Zwillinge unterstützt werden kann.
Value Creation Hierarchy
Welche Stufen des Produktmanagements sind betroffen oder können verbessert werden?
Das Leistungsangebots sollte hinsichtlich des Managements der Komplexität und Varietät eine hierarchische Grundstruktur aufweisen. Herausfordernd scheint dabei in der Praxis der Umstand, dass das Management der Instanzen, der Typen und des Masters in unterschiedliche Verantwortungsbereiche innerhalb des Unternehmens fallen. Während die Verantwortung Instanzen zu managen von der Produktion zum Service übergeht, kümmert sich das Engineering um das Typenmanagement. Die Entscheide auf Master-Stufe liegen oft in der Verantwortung eines Business Unit Leiters, welcher sich stark an den Bedürfnissen der Verkaufs- und Marketingabteilung orientiert. Häufig ist es die Aufgabe eines Produktmanagers, die Brücke zwischen den oft isoliert operierenden Bereichen zu schlagen und brach liegende Potenziale zu heben.
Ebene der Instanzen
Eine Instanz ist ein «Exemplar aus einer Menge gleichartiger Dinge», d.h. eine konkrete, zweifelsfrei identifizierbare (z.B. über Seriennummer) und abgegrenzte Einheit. Dieser können Prozesse, Akteure, Attribute usw. zugeordnet werden. Eine Instanz kann dabei ein einzelnes vernetztes Produkt, ein System oder ein System of Systems sein. Ein Beispiel wäre Ihr persönliches E-Bike «Summit Climber», welches bei Ihnen zu Hause vor der Tür oder in der Garage steht.
Ebene der Typen
Diese Ebene enthält die Blaupause, aus der die Instanzen abgeleitet werden. Oft wird dabei von der sogenannten «150% Bill of Material/Stückliste» gesprochen, welche alle möglichen Ausprägungen für davon abgeleitete Instanzen enthält. Diese für Aufträge konfigurierten Instanzen werden in der Folge als «100% Bill of Material/Stückliste» bezeichnet. Neben den Konfigurationsmöglichkeiten der Instanzen werden auf der Ebene der Typen auch alle weiteren Instanzen-übergreifenden Informationen verwaltet, wie z.B. Normwerte, Produktanforderungen, Operationspläne, Herstellungsverfahren oder Recycling-Anweisungen. Der für Kunden sichtbare Teil wäre beim E-Bike der Produkt-Konfigurator für den «Summit Climber», in dem Sie zum Beispiel die Akkugrösse, Farbe, Rahmen, Räder sowie weitere Optionen wie Rückspiegel, Handyhalterung usw. für Ihre Instanz ausgewählt haben.
Master Ebene
Die Master Ebene umfasst nun alle Typen eines Unternehmens oder einer Produktlinie und enthält weiterführende Informationen, die für Typen-übergreifende Prozesse und Entscheide relevant sind. Weit verbreitet ist z.B. das Plattformmanagement, bei dem sich mehrere Typen gleiche Merkmale und Ausprägungen teilen. Beim E-Bike werden z.B dieselben Akkus und Räder nicht nur beim «Summit Climber», sondern auch bei anderen Typen verwendet und angeboten. Eine weitere Aufgabe, welche auf der Master Ebene wahrgenommen wird, ist das Portfoliomanagement – also wie fügt sich der Typ «Summit Climber» in das gesamte Angebotsportfolio ein? Das gesamte Portfolio sollte dabei die definierten Kundensegmente widerspiegeln und sie mit einem optimalen Differenzierungsgrad der einzelnen Typen hinsichtlich Funktionsumfang, Positionierung und Preisgestaltung bedienen.
Lifecycle
Welche innerbetrieblichen Prozesse des Lebenszyklusmanagements sind betroffen oder können verbessert werden?
Da der Fokus bei vielen Projekten zur Wertgenerierung mit digitalen Zwillingen auf der externen Dimension liegt, werden in der internen Dimension oft nur die After-Sales Prozesse in der Middle of Life (MoL) Phase betrachtet. Durch die Daten, welche für und durch digitale Zwillinge gewonnen werden, können jedoch auch vielfältige Werte für die vor- und nachgelagerten Prozesse der Lebenszyklen von Instanzen, Typen und Master generiert werden.
Beginning of Life
Die Beginning of Life (BoL) Phase umfasst sämtliche Prozesse, welche durchgeführt werden, bevor eine Instanz, ein Typ oder ein Master mit ihrem digitalen Zwilling in die Nutzungsphase und somit in die Middle of Life (MoL) Phase übergeht. Dazu gehören u.A. Prozesse hinsichtlich Kundenbedarfsanalyse, Value Proposition Design, Produkt Design, Engineering, Shop-floor Design, Supply Chain Management, Produktion, sowie Marketing- und Verkaufsprozesse.
Middle of Life
Die Middle of Life (MoL) Phase umfasst sämtliche Prozesse zur Nutzung im erweiterten Sinne, u.A. auch Installation, Schulung, Wartung, Updates, Ersatzteilmanagement, sowie Upgrades und Retrofitting. Durch den Einsatz von digitalen Zwillingen werden Werte in dieser Phase meist im Zusammenspiel von Anbieter und Kunde gemeinsam geschaffen, wodurch z.B. auch vielseitige Möglichkeiten für das Customer Lifecycle Management geschaffen werden. Deshalb sollten bei der Betrachtung der MoL Phase nicht nur die Prozesse in den Service-Abteilungen betrachtet werden.
End of Life
Nachdem die Nutzungsphase sich gegen Ende neigt, sollten die End of Life (EoL) Prozesse nahtlos an die vorangegangenen Prozesse anknüpfen. Dazu gehören sämtliche «Close the Loop» Prozesse, u.A. Rückkauf-, Weiterverkauf- und Ersatzprozesse, sowie Verwertung und Archivierung der Instanzen, Typen, Master und deren digitalen Zwillingen.
Generations / Time
Was müssen wir über die Vergangenheit wissen?
Was müssen wir über IST-Zustände wissen?
Was wollen wir für die Zukunft berücksichtigen?
Das Denken in Generationen bezüglich der Instanzen, Typen und Master, sowie sämtlicher Prozesse des Lifecycles ist unabdingbar, um die Potenziale der Wertgenerierung mit digitalen Zwillingen auszuschöpfen. Durch digitale Zwillinge können historische Daten aus der Vergangenheit gespeichert, aufbereitet und analysiert werden, um die aktuellen IST-Zustände zu verbessern. Damit IST-Zustände nicht nur reaktiv, sondern proaktiv verbessert werden können, ist ein vorausschauender Blick in die Zukunft notwendig.
Past / History
Diese Kategorie umfasst alle Informationen, Massnahmen, Entscheidungen, Prozesse usw., welche in der Vergangenheit ein- und umgesetzt wurden. Hinsichtlich der Instanzen wurde dabei der Begriff «as-built» geprägt, der festhält, wie eine Instanz kreiert wurde und in welcher Form sie in die MoL-Phase eingetreten ist. Dieselbe Logik kann auch auf die Lebenszyklen von Typen und Master angewendet werden: Die im Software Bereich gängige Methode zur «Versionierung» hilft Veränderungen auch über mehrere Generationen (Versionen) zu jeder Zeit nachzuverfolgen und Rückschlüsse für aktuelle und zukünftige Generation ziehen zu können.
Present / Actual
Viele Unternehmen legen den Fokus ihrer Digitalisierungsbemühungen darauf, laufende Prozesse digital abbilden und optimieren zu können, um Mehrwerte im operativen Betrieb der Instanzen, Typen und Master in allen Phasen des Lebenszyklus möglichst effizient zu gestalten. Diese Perspektive umfasst somit alle aktuell gültigen Informationen, Massnahmen, Entscheidungen, Prozesse usw., welche aktuell ein- und umgesetzt werden. In Bezug auf die Instanzen wurde dabei der Begriff «as-maintained» geprägt. Neben der effizienten Abwicklung der Aufgaben der Gegenwart müssen dabei aber auch die für die Zukunft notwendigen Daten und Informationen gewonnen werden. Diese können entweder in Zukunft als historische Informationen dienen oder für den vorausschauenden Blick in die Zukunft, zur proaktiven Antizipation und Gestaltung zukünftiger IST-Zustände der Instanzen, Typen und Master, sowie sämtlichen dazugehörigen Prozessen des Lebenszyklus Managements genutzt werden.
Future / Innovation
Diese Perspektive öffnet nun den Blick in die Zukunft. Sie umfasst alle prädiktiven und präskriptiven Informationen, Massnahmen, Entscheidungen, Prozesse usw., zu denen bereits Daten und Informationen vorliegen, die aber noch nicht umgesetzt wurden. In der Praxis scheint sich dafür auch für Instanzen noch kein Begriff durchgesetzt zu haben, analog zu «as-built» und «as-maintained» könnten die zukünftig erwarteten Zustände als «as-anticipated» bezeichnet werden.
Ausblick
Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. Nachdem wir nun die interne und externe Dimension der Wertgenerierung in separaten Beiträgen erläutert haben, folgt als nächstes noch die Dimension der Datenressourcen.
Das in diesem Beitrag vorgestellte Rahmenmodell wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet.
Das Modell wird zudem kontinuierlich für den Einsatz in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.
Autoren & Kontakt
Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) faszinieren ihn technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen in der Anlagenbau-Industrie konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldungsverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
A new Whitepaper shows how to apply a systematic design process to protect your IoT devices.
Unprotected IoT devices are an easy target for cyber-attacks. The ZHAW Institute of Embedded Systems has published a Whitepaper that describes the application of a systematic development process to identify threats, derive security requirements and implement effective protection measures. The example of a simple WiFi-based sensor illustrates the design process and adequate protection measures. Microcontrollers featuring Trusted Execution Environments (TEE) as well as Secure Elements both provide options to store key material securely and perform cryptographic operations in an energy-efficient way. The interaction of these hardware components together with dedicated firmware and a Public Key Infrastructure (PKI) enables a low-power sensor to connect securely to the cloud.
Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden im Rahmenmodell die Dimensionen «externe Wertgenerierung» (im Markt, bei den Kunden, in der Anwendung und Nutzung), «interne Wertgenerierung» (innerhalb des Unternehmens) und die dafür benötigten «Datenressourcen» unterschieden. In diesem Beitrag beleuchten wir die erste Dimension «externe Wertgenerierung». Wir erläutern dazu die drei-Achsen der ersten Dimension und deren Spezifikationen.
Externe Wertgenerierung
Am meisten Beachtung findet in Innovationsprojekten jeweils die externe Wertgenerierung, da eine Mehrheit der Unternehmen beabsichtigt, durch digitale Zwillinge und die dadurch ermöglichten datenbasierten Services zusätzliche Umsätze oder zusätzliche Kundenbindung zu generieren, Margen zu erhöhen und die Kundenzufriedenheit zu verstärken. Dabei stellen sich in jedem Fall die Fragen, auf welcher Hierarchieebene des Systems (System Hierarchy Level) Wert entstehen soll, welche Bereiche des Service-Umfangs (Service Scope) verbessert werden sollen und welche Fähigkeiten (Smartness Maturity) die digitalen Zwillinge dafür aufweisen müssen.
System Hierarchy Level
Welche Systemstufe ist für uns für die Generierung von Wert aktuell/in Zukunft zentral?
Um diese Frage zu beantworten, müssen sich Unternehmen ein Verständnis des wirtschaftlichen Ökosystems Ihrer Kunden und Anwender verschaffen. Dabei können theoretisch beliebig viele Ebenen unterschieden werden, von einzelnen Teilkomponenten, über Baugruppen und Smart Connected Products, unterschiedlichen System-Ebenen bis hin zu Smart City-/Factory- oder gar noch umfassenderen Systems-of-Systems. Wie viele Ebenen für die eigene Betrachtung sinnvoll sind muss im Einzelfall definiert werden, das Rahmenmodell unterscheidet die drei grundsätzlichsten Ebenen, die aus unserer Sicht mindestens unterschieden werden sollten.
Connected Product-Ebene
Die Ebene des Connected Products definiert die kleinste als Instanz identifizierbare Komponente oder Baugruppe mit eigener Konnektivität zum Anbieter oder zu höheren Systemen. Kommt die Fähigkeit dazu, auf selbstständig erfasste Daten oder Rückmeldungen zu reagieren, kann es bereits als «smart» bezeichnet werden. Die wichtigsten Bestandteile eines Smart Connected Products sind in der folgenden Abbildung dargestellt.
System
Ein System umfasst mehrere Connected Products, nutzt deren Daten und spielt ihnen auch Daten zurück. Smart Connected Products können innerhalb des Systems direkt miteinander kommunizieren oder nur über das System-Modul. Da ein solches System digitale (cyber) wie physische (physical) Elemente umfasst und die Erbringung von Diensten (Services) für Akteure (menschliche Benutzer oder andere Systeme) ermöglicht, wird es als «Cyber-Physical-Service-System» bezeichnet.
System of Systems
Ein System-of-Systems umfasst wiederum mehrere Systeme oder kleine Teilsysteme und nutzt deren Daten und spielt ihnen auch Daten zurück. Die Systeme innerhalb eines Systems-of-Systems können sehr hohe Autonomie besitzen und direkt mit anderen Systemen kommunizieren. System of Systems nutzen für deren Realisierung und Betrieb regelmässig Plattformdienste von Drittanbietern.
Service Scope
Wo liegt der Hauptfokus der Generierung von Wert unserer Leistungen?
Diese Frage ist insbesondere deshalb von hoher Relevanz, da hier die Bedürfnisse der Kunden mit der eigenen Value Proposition in Einklang gebracht werden müssen und in vielen Fällen ein zumindest teilweiser Zielkonflikt zwischen den drei grundlegenden Felder des Leistungsfokus besteht. Wird zum Beispiel die Performance in den Mittelpunkt gerückt, müssen u.U. Abstriche bei der Lebensdauer, höhere Ausfallwahrscheinlichkeiten (Availability) oder geringere Qualität in Kauf genommen werden.
Availability
Bei vielen insbesondere industriellen Güter und Anlagen ist das Ziel eine maximale rsp. optimale Verfügbarkeit und Kapazitätsauslastung zu erreichen. Dabei gibt es hinsichtlich der Anforderungen grosse Unterschiede, so sollten zum Beispiel Data Center, welche kritische Daten speichern und verwalten nie ausfallen. Steht der Einsatz für wechselnde Aufgaben im Vordergrund, soll dieser Wechsel möglichst optimal (schnell, automatisch, fehlerfrei) erfolgen.
Performance
Ziel ist die Steuerung (Maximierung oder Optimierung) des Output/Input-Verhältnisses der Ressourcen des Unternehmens. Grundsätzlich kann ceteris paribus durch eine Reduktion der Inputfaktoren als auch durch eine Erhöhung der Outputfaktoren die Performance gesteigert werden. Im Fokus stehen dabei die monetären Kosten sowie die Durchlaufzeiten für bestimmte Prozesse.
Quality
Ziel ist die bestmögliche Erreichung der Qualitätsanforderungen der Akteure. Die qualitativen Faktoren sind vielseitiger als die Availability oder die Performance und müssen aus Sicht der Kunden eruiert werden – dabei können neben klassischen Qualitätsfaktoren zusätzliche Elemente wie beispielsweise Anwenderzufriedenheit (z.B. Arbeitssicherheit, Reduktion von Stressoren wie Lärmemissionen, User Experience und Usability) oder die Erfüllung von Regularien (z.B. ISO-Standards) oder Nachhaltigkeitsthemen (z.B. CO2-Neutralität) definiert werden.
Smartness Maturity
Welches Mass an Intelligenz und Fähigkeiten ist/wird erforderlich?
Die Beantwortung hängt in grossem Masse davon ab, was hinsichtlich des «System Hierarchy Levels» und des «Service Scopes» definiert wurde. Zum einen sind generell je nach Service Scope unterschiedliche Reifegrade erforderlich, zum anderen gilt es festzustellen, in welcher Instanz auf welchem System Hierachy Level diese integriert werden sollten. Eine Instanz kann dabei sowohl ein einzelnes (individuelles) Connected Product, System oder auch System of Systems sein.
Control
Im Reifegrad «Control» kann die Instanz ferngesteuert werden oder steuert sich selbst anhand festgelegter Grenzwerte (horizontale Linien in Abbildung 6). Dabei sind nicht nur die Grenzwertkategorien, sondern auch deren Höhe voreingestellt und werden von der Instanz selbst nicht verändert. Die dadurch realisierbaren Reaktionen, wie z.B. Notausschaltungen, senden von Alarmen oder erzeugen von Ampelsystemen sind simpel, können jedoch bereits enorme Mehrwerte generieren.
Optimize
Im Reifegrad «Optimize» kann die Instanz ihre Reaktionen selbstständig optimieren, zum Beispiel durch ein Anpassen der festgelegten, normierten Grenzwerte anhand eigener «Erfahrungen» bzw. Erfahrungen typen-gleicher Instanzen. Dadurch können sowohl die bereits auf dem «Control» Level möglichen Mehrwerte verbessert als auch zusätzliche Mehrwerte generiert werden, wie z.B. Selbstkalibrierung/-einstellung, Prozessoptimierung usw.
Autonomy
Die Instanz optimiert ihre eigene Viabilität eigenständig, legt z.B. neue Grenzwertkategorien auf Basis automatisierter Ursachenanalysen fest oder optimiert konfligierende Ziele hinsichtlich des Service-Scopes. Im Vergleich zum Reifegrad «Optimize» bedeutet das, das die Instanz über eine eigene maschinelle Lernfähigkeit im erforderlichen Mass verfügt.
Ausblick
Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. In zukünftigen Beiträgen werden wir die weiteren Dimensionen erläutern.
Das in diesem Beitrag vorgestellte Rahmenmodell wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und wird auf Anfrage gerne zugesendet.
Das Modell wird zudem kontinuierlich hinsichtlich des Einsatzes in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.
Autoren & Kontakt
Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) faszinieren ihn technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen in der Anlagenbau-Industrie konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldungsverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Bluetooth 4.0, auch bekannt unter «Bluetooth Low Energy» oder «Bluetooth Smart», ist schon seit vielen Jahren eine etablierte wireless-Schnittstelle in allen Smart-Phones. Nach und nach hält Bluetooth Low Energy aber auch Einzug in der Industrie 4.0 (I4.0).
Mit Bluetooth Low Energy ist es möglich, stromsparende und robuste Funkschnittstellen zu realisieren, um kleine Datenmengen über kurze Distanzen zu übertragen. Neben der tieferen Stromaufnahme ist aber oft auch der tiefe Preis ein wichtiges Entscheidungskriterium für eine Bluetooth 4.0 Lösung.
In den letzten Jahren haben wir am Institute of Signal Processing and Wireless Communications (ISC) einige I4.0-Projekte mit Bluetooth 4.0 realisiert. So haben wir für Derichs GmbH das Bluetooth-basierte Temperatur- und Druck-Messgerät ED1 für Walzen entwickelt, um den Extrusionsprozess in der Folienherstellung zu optimieren. Weiter haben wir zusammen mit Leica Geosystems AG eine Bluetooth-Low-Energy-Schnittstelle in die Laser-Distanzmessgeräte Disto implementiert, um die Distanz- und IMU-Messdaten automatisch mit den IT-Geräten bzw. der Planungs-Software einzulesen und so den Workflow zu optimieren. Die beiden «use cases» finden sich unter:
Neben verschiedenen Erweiterungen bei Bluetooth 4.1 und 4.2 ist mit der Einführung von Bluetooth 5.0 vor «kurzem» ein grösserer Ausbau-Schritt hinzugekommen. Mit Bluetooth 5.0 sind die beiden Modes «coded PHY» (long range) und «2M PHY» (high data rate) eingeführt worden, die auch für I4.0-Anwendungen interessant sein können.
Der long-range-Modus reduziert in vielen Anwendungen die Anzahl Gateways, die nötig sind, um in grösseren (Fabrik-) Hallen die Daten der Sensoren über Bluetooth zu empfangen und ins Intra- bzw. Internet weiterzuleiten. In eigenen Tests konnten wir indoor problemlos Übertragungsdistanzen von 70-80 m realisieren, outdoor sogar bis zu 2 km (im Freifeld). Es ist aber zu beachten, dass im long-range-Modus die maximale Datenrate tiefer ist und die mittlere Stromaufnahme deshalb höher. Bei gleicher Sendeleistung sind die Stromspitzen zwar nicht höher, das Aussenden der Daten dauert aber länger und der Energieverbrauch ist deshalb höher.
Der high-data-rate-Modus erlaubt im Gegensatz zu Bluetooth 4.2 höhere Nutzdatenraten von bis zu 1 Mbps bei gutem SNR, mit nur minimen Abstrichen bei der maximalen Distanz. Die Datenrate von 2 Mbps auf der Luftschnittstelle verkürzt in vielen Fällen die Übertragungszeit, was zu einer tieferen Stromaufnahme führen kann. «Kann» weil bei allen Modes die Stromaufnahme abhängig ist, wie lange und wie oft Daten gesendet werden. Das oft gebrachte Beispiel, dass ein Firmware Update mit Bluetooth 5.0 schneller durchgeführt werden kann und nicht mehr im Minuten-Bereich liegt, stimmt grundsätzlich. Es ist aber zu bedenken, dass es durch das Schreiben in den Flash Speicher von Batterie-betriebenen Sensoren zu einer kurzzeitig starken Batterie-Belastung kommen kann. Bei tieferer Datenrate sind die Flash Schreibzyklen automatisch etwas zeitlich separiert und können z.B. durch Stützkondensatoren besser abgefangen werden.
Mein Kollege Colin Cina hat ein schönes Video zur Evaluation der Distanz und der maximalen Datenrate der Bluetooth 5.0 Modes «long-range» und «high-data-rate» gemacht. Ich hoffe es ist selbsterklärend.
Mit Bluetooth 5.1 Stichwort «Direction Finding» und Bluetooth 5.2 Stichwort «LE Audio» sind die nächsten zwei grösseren Erweiterungen im Anmarsch. Gerade Bluetooth 5.1 wird für I4.0 Anwendungen einige neue Anwendungen erschliessen, da nun neben einer groben Distanzschätzung anhand des RSSI neu auch eine Richtung entweder über Angle of Arrival (AoA) oder Angle of Departure (AoD) bestimmt werden kann, mit dem Ziel, während der Kommunikation ein Objekt im Raum zu lokalisieren.
Colin hat soeben seine Masterarbeit zum Bluetooth 5.1 Direction Finding abgeschlossen, u.a. mit spannenden Feldtests. Erstes Fazit: Die AoA-Winkelbestimmung eignet sich für viele praktische Anwendungen, wenn die in Gebäuden inhärente Mehrweg-Funkausbreitung mit Antennen-Engineering in Grenzen gehalten werden kann. Bluetooth 5.1 Stacks sind erst zum Teil verfügbar und werden bis Ende 2020 erwartet.
Das Paradigma der Vernetzung von physischer und digitaler Welt hat in den letzten zehn Jahren weite Bereiche von Wirtschaft und Gesellschaft erfasst, und sich unter Schlagworten wie Smart City, Smart Manufacturing oder Smart Health etabliert.
In Zeiten rasanten technologischen Wandels stellt sich die Frage: Was kommt nach dem Internet der Dinge? Die Chancen stehen gut für Smart Dust. Dieser «schlaue Staub» beschreibt integrierte, weiträumig verteilte Sensornetzwerke, deren einzelne Bestandteile sich in einer Grössenordnung von unter einem Kubikmillimeter bewegen [1].
Abbildung 1: Vision von Smart Dust in einem Trägermedium
SNF Spark-Projekt zur Erforschung von Nutzenpotenzialen
Motiviert zum einen durch die steigende Technologiereife und zum anderen durch das unklare Bild über Nutzungsmöglichkeiten, leitet das Product Management Center der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) ein SNF-Grundlagenprojekt zum Thema.
Das Projekt im Rahmen des neuen Förderungsinstruments «Spark», welches besonders gewagte, aber auch vielversprechende Ideen adressiert, hat zum Ziel, einzelne Anwendungsfelder, übergeordnete Einsatzbereiche und die grundsätzliche Rolle von Smart Dust im industriellen Sektor zu untersuchen.
Abbildung 2: Grössenordnung eines einzelnen Smart Dust-Korns
Bisher durchgeführte Forschungsarbeiten [2,3] in der deutschsprachigen Maschinen-, Elektro- und Metall-Industrie zeigen grosses Potential – einige Beispiele:
Im Fluidtechnikbereich kann Smart Dust durch verbesserte Flüssigkeitsmessungen helfen, hochsensible Prozesse, wie etwa das Thermomanagement in Rechenzentren, besser zu steuern. Auch industrieübergreifend bietet der «schlaue Staub» die Chance, Logistikprozesse transparenter und belastungsintensive Bauteile sicherer zu machen.
Spannend wird es insbesondere auch, wenn neben rein sensorischen auch noch aktuatorische Fähigkeiten ins Spiel kommen («Micro Robots»). So werden beispielsweise im Aerospacebereich adaptive Oberflächen, die dynamisch ihre Struktur verändern können, ermöglicht.
Gleichermassen gilt es noch viele offene Fragen zu beantworten, sei es bezüglich technischer Leistungsdaten, wirtschaftlicher Überlegungen, oder auch in Bezug auf Datenschutz und Nachhaltigkeit. Wenn auch heute noch visionär anmutend, hat das Internet der Dinge gezeigt, wie schnell und tief die Diffusion von digitalen Technologien erfolgen kann.
Danksagung
Dieses Projekt wurde durch das «Spark»-Programm des Schweizerischen Nationalfonds zur Förderung der wissenschaftlichen Forschung (SNF) unterstützt.
Literatur zum Thema
[1] Warneke, B., Last, M., Liebowitz, B., and Pister, K.S.J. 2001. “Smart Dust: Communicating with a Cubic Millimeter Computer,” Computer (34), pp. 44–51.
[2] Holler, M., Haarmann, J., van Giffen, B., and Frank, A. 2020. “Smart Dust in the Industrial Economic Sector – On Application Cases in Product Lifecycle Management,” Springer IFIP Advances in Information and Communication Technology (forthcoming).
[3] Holler, M., Dremel, C., van Giffen, B., and Fuchs, R. 2020. “Smart Dust und Micro Robots im industriellen Sektor – Chancen, offene Punkte und Handlungsempfehlungen,” Springer HMD Praxis der Wirtschaftsinformatik – Special Issue on Robotics (under review).
Ansprechpartner & Kontakt
Dr. Manuel Holler (manuel.holler@zhaw.ch | +41 58 934 7060) ist wissenschaftlicher Mitarbeiter am Product Management Center der ZHAW. Seine Forschung konzentriert sich auf digitale Innovationen für das industrielle Produkt- und Dienstleistungsgeschäft.
Veröffentlicht unter Smart Product Management | Verschlagwortet mit Digitalisierung, Forschungsprojekt, IMM, Industrie, Innovationsprojekt, Institut für Marketing Management, Internet der Dinge, Internet of Things, IoT, Micro Robots, Product Management Center, Schlauer Staub, Schweizerischer Nationalfonds, Smart Dust, SNF, ZHAW
Der Fortschritt in der Informations- und Kommunikationstechnologie verwandelt traditionelle in intelligente Produkte und ermöglicht es Unternehmen, neuartige intelligente Dienstleistungen anzubieten. Dabei gilt das Konzept des «digitalen Zwillings» als eine Schlüsseltechnologie, um mit intelligenten Diensten Mehrwert zu schaffen.
Der Digitale Zwilling wird von Gartner dementsprechend auf Platz 4 innerhalb der Top 10 der strategischen Technologietrends geführt, die „noch nicht weithin anerkannte Trends sind, jedoch Auswirkungen auf die Transformation von Industrien bis 2023 haben“ (Panetta, 2018). Auch wenn das Konzept des digitalen Zwillings relativ jung ist, wird ihm eine grosse Zukunft vorausgesagt, so soll der Markt von schätzungsweise $ 3,8 Mrd. im Jahr 2019 auf $ 35,8 Mrd. im Jahr 2025 wachsen (Rais, 2019).
Entsprechend viele Unternehmen haben sich in den letzten Jahren und Monaten dieses Thema auf die Fahne geschrieben und investieren gewaltige Ressourcen in entsprechende Entwicklungen. Allerdings sind die konkreten Mehrwerte und damit die Renditeaussichten von Investitionen in digitale Zwillinge in der Praxis oft schwierig abzuschätzen, da interne wie externe Prozesse betroffen sind und die erfolgreiche Bewältigung der Herausforderungen dieses komplexes Themas das Zusammenspiel von verschiedenen Unternehmensbereichen erfordert.
Funktionsübergreifende Diskussionen und Zusammenarbeit gestalten sich daher oft mühselig, da ein gemeinsamer konzeptioneller Rahmen, eine eindeutige Terminologie und gemeinsame Sprache auf der Grundlage eines ausreichend abstrakten, intuitiv verständlichen und einfach zu handhabenden Referenzmodells fehlen. Deshalb hat die Fachstelle für Produktmanagement des Instituts für Marketing Management 2018 ein Forschungsprojekt gestartet, um ein entsprechendes konzeptionelles Referenzmodel für die Wertgenerierung mit digitalen Zwillingen zu entwerfen und die Unternehmen damit bei ihren Innovationsprojekten zu unterstützen.
Das in diesem Beitrag vorgestellte Modell umfasst die aus akademischer Sicht zentralen Dimensionen des digitalen Zwillings und spezifiziert diese im Hinblick auf eine abgestimmte und schlüssige Wertgenerierung.
Das Digital Twin Conceptual Framework
Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden in einem ersten Schritt die Dimensionen externe Wertgenerierung (im Markt, bei den Kunden), interne Wertgenerierung (innerhalb des Unternehmens) und die dafür benötigten Datenressourcen unterschieden.
Externe Wertgenerierung
Am meisten Beachtung findet in Innovationsprojekten jeweils die externe Wertgenerierung, da eine Mehrheit der Unternehmen beabsichtigen, durch digitale Zwillinge und die dadurch ermöglichten datenbasierten Services zusätzliche Umsätze zu generieren, Margen zu erhöhen und die Kundenzufriedenheit und -bindung zu verstärken. Dabei stellt sich in jedem Fall die Frage, auf welcher Hierarchieebene des Systems (System Hierarchy Level) Wert entstehen soll, welche Bereiche des Service-Umfangs (Service Scope) verbessert werden sollen und welche Fähigkeiten (Smartness Maturity) die digitalen Zwillinge dafür aufweisen müssen.
Interne Wertgenerierung
Dabei wird oft vernachlässigt, dass digitale Zwillinge auch innerhalb des eigenen Unternehmens viele Prozesse verändern und auf vielseitige Art und Weise Wert generieren können. Im Fokus steht dabei das Management der Lebenszyklusprozesse (Lifecycle), von einzelnen Instanzen bis hin zu Produktportfolios (Value Creation Hierarchy) unter Berücksichtigung historischer, aktueller als auch zukünftiger Zustände und Daten (Generations / Time).
Datenressourcen
Sowohl die interne als auch die externe Wertgenerierung wird jedoch erst durch die Nutzung von entsprechenden Datenressourcen ermöglicht. Hierbei stellt sich die Frage welche Daten (Data Category) aus welchen Quellen (Data Sources) gewonnen werden sollen und wie stark diese aufbereitet und analysiert werden müssen (Data Format).
Anwendung des Modells zur Wertgenerierung
Das Modell bildet das ganze Spektrum an möglichen Datenressourcen und der daraus ermöglichten Wertgenerierung mit digitalen Zwillingen innerhalb und ausserhalb des eigenen Unternehmens ab. Durch die jeweils 3 Achsen mit wiederum 3 Spezifikationen können in jeder der 3 Dimensionen (Würfel) insgesamt 27 Anknüpfungspunkte für die Innovation mit digitalen Zwillingen unterschieden werden, welche für die Wertgenerierung mit digitalen Zwillingen in Frage kommen.
Für Unternehmen ist es jedoch nicht das Ziel, alle 81 im konzeptionellen Referenzmodell abgebildeten Anknüpfungspunkte umzusetzen, sondern sinnvolle Kombinationen zu ermitteln, die mit im Verhältnis möglichst optimalem Aufwand hinsichtlich der Datenressourcen effizient und effektiv interne und externe Werte schaffen. Die so generierten Werte entstehen durch einen kooperativ geschaffenen digitalen Zwilling, der ein dynamisches Verhältnis zwischen Anbieter und Nachfrager kreiert – und dadurch zu einem kaum replizierbaren Wettbewerbsvorteil führt.
Ein Beispiel wäre «predictive maintenance» also die proaktive Wartung physischer Güter aufgrund datenbasierter Vorhersagen. Hierbei wird externer Wert generiert durch Steigerung der Verfügbarkeit (Availability) mittels Kontrolle (Control) eines IoT-fähigen Assets (Connected Product). Aber nicht nur der Besitzer dieses Assets profitiert von dieser Anwendung, auch intern entsteht Wert für das Unternehmen, da die Prozesse innerhalb der Nutzungsphase (Middle of Life / MoL) des Assets (Instanz) auf Basis vergangener, aktueller und zukünftiger Zustände (Past, Present, Future) optimal gestaltet werden können. Dazu reicht es in der Regel bereits aus, ein Set an produktbezogenen (Product) IST-Daten aus dem Asset (Thing) mit überschaubaren Mitteln aufzubereiten (Structured) und mit den SOLL-Werten aus den internen Systemen (internal Systems) abzugleichen.
Predictive Maintenance kann daher ein geeigneter Einstieg in die Entwicklung eines umfangreicheren digitalen Zwillings sein, der zu einem späteren Zeitpunkt weitere Datenkategorien (Context oder Customer) aus zusätzlichen Quellen (external Systems) verwendet, um nicht nur Dashboards mit strukturierten Daten zu visualisieren, sondern daraus Aktionen (interpreted Data) zur Generierung zusätzlicher interner und externer Werte ableitet.
Ausblick
Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. In weiteren Beiträgen werden wir die drei zentralen Dimensionen der internen und externen Wertgenerierung als auch der Datenressourcen vertieft darstellen und deren Zusammenspiel anhand konkreter Beispiele erläutern.
Das in diesem Beitrag vorerst oberflächlich vorgestellte Konzept wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und ist hier frei verfügbar.
Das Modell wird zudem kontinuierlich hinsichtlich des Einsatzes in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.
Autoren & Kontakt
Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) schlägt sein Herz für technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen im industriellen Anlagenbau konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldeverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Barth, L.; Ehrat, M.; Fuchs, R. & Haarmann, J. (2020). Systematization of digital twins : ontology and conceptual framework. In: ICISS 2020 : Proceedings of the 2020 The 3rd International Conference on Information Science and System. 3rd International Conference On Information Science And Systems ICISS 2020, Cambridge, UK, 19-22 March 2020. New York: Association for Computing Machinery. S. 13-23. Verfügbar unter: https://doi.org/10.1145/3388176.3388209
Digitalization has attracted much attention across the Swiss industrial landscape. The Machinery, Electrical and Metal Industry (MEM) is directly confronted to challenges stemming from this emerging digital age.
In a report on behalf of Swissmem (see Arbeitswelt 4.0 – SwissMEM ), the impact of digitalization on MEM companies’ value chains and working environment is investigated. Interviews of Swiss MEM executives highlight the approach to and implementation of digital enablers over a 20 years’ period.
During the last 20 years, the Swiss MEM companies constantly thrived for cost reduction by using continuous improvement methods and implementing new technologies to keep up with the competition and stay at the forefront of innovation. The combination of the novel disruptive technologies and continuous improvement methods is of utmost importance to further help companies consolidate their leading position on the market. Most companies are taking advantage of the novel technologies to provide new services to their customers but do not specifically use these for generating new revenue sources.
The results imply that the workplace in the MEM sector will be greatly impacted by the adoption of Industry 4.0 applications. Some of the effects are visible on the market today where companies are seeking to hire data scientists and network software engineers, both positions being crucial in connecting the whole supply chain in real-time. A certain shift exists between Swiss MEM companies regarding their adoption of novel applications. A slight trend subdivides the companies in three different groups leading to various success prospects on the market. However, such trend must be further investigated to confirm causality. In this regard, MEM companies should consider exploring future scenarios when faced with diverse disruptive technologies to ensure a continuous and positive development of their operations.
The disclosed method delivers a broad and deep insight of companies in their adoption of Industry 4.0 applications, the impact it achieves on the value chain and specifically on the workplace transformation along the various processes.
Working with scenarios, the report identifies the challenges for especially the SMEs to effectively adopt novel technologies and methods. It is recommended that these companies to build knowledge clusters in order to compensate for the limited in-house digitalization resources.Finally, the present work also delivers recommendations regarding the education of a new generation of employees and the vocational re-training of older employees. While the machine park and its processes become increasingly automated and data-driven, harnessing software development is mandatory while statistics and data science are bound to establish themselves as key disciplines, from shop floor to management level. Through more entangled networks, information must flow within and across departments to secure an interdisciplinary knowledge transmission. Such elements must particularly be well transmitted through education and continuous education systems to ensure that the Swiss MEM sector secures its position on the global market thanks to its highly qualified workforce.
Die ZHAW School of Engineering bietet nebst den bereits bestehenden Angeboten im Bereich Industrie 4.0 nun auch einen Master of Advanced Studies (MAS) Industrie 4.0 an. Der MAS Industrie 4.0 richtet sich an technische Fach- und Führungskräfte, die sich in konkreten, auf die Technik fokussierten Fragestellungen rund ums Thema Industrie 4.0 weiterbilden möchten. Im Rahmen dieses MAS erwerben die Teilnehmenden sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Bereichen: Technologien der Smart Factory, Cloud Manufacturing, Automatisierung, Lean Management, Logistikmanagement, intelligente Vernetzung und Datensammlung, sichere und effiziente Speicherung und Verarbeitung von Daten, Cloud Computing, Analyse und Visualisierung sowie die konsequente Ausrichtung dieser Technologien an der Business-Wertschöpfung mit neuen Service-Modellen und Prozessen.
Der MAS Industrie 4.0 ist modular aufgebaut und besteht aus drei Wahlpflichtbereichen mit insgesamt acht Wahlpflicht-CAS sowie der Masterarbeit.
Hier geht’s zu den Detailinfos der Wahlpflicht-CAS:
Blogautor: Daniel Schmid Dozent, Zentrum für Produkt- und Prozessentwicklung, ZHAW, www.zhaw.ch/zpp, Schwerpunkte Industrie 4.0 und deren Einfluss auf die Produktentwicklung, Digitaler Zwilling, Sensorapplikationen
Ausgangslage
Der digitale Zwilling existiert seit geraumer Zeit. So wurde zum Beispiel in der Raumfahrt eine Zweitsonde auf der Erde belassen, um den Effekt von Steuerbefehlen vor dem Senden zur reisenden Sonde zu testen. Es war das Resultate der schieren Notwendigkeit, da die Reaktionsmöglichkeiten in den unendlichen Weiten äusserst beschränkt waren und nach wie vor sind. In der Zeit von «Internet of Things» (IoT) und der vierten industriellen Revolution «Industrie 4.0» hat der digitale Zwilling (aka «Digital Twin», «Digital Avatar») wieder an Schwung und Bedeutung gewonnen.
Zumeist wird der Zwilling als die Kombination der drei Elemente «physisches Objekt/System», «virtuelles Ebenbild» und «Schnittstelle zwischen den beiden Elementen» definiert. Unterdessen gibt es auch entsprechende Erweiterungen, um auch nichtmaterielle Güter als solchen Zwilling zu erfassen. Unter dem Begriff «Data Driven Services» entstehen digitale Zwillinge, welche über kein physisches Ebenbild verfügen und beispielsweise die Entscheidungsfindungsprozesse in Unternehmen unterstützen.
Am einfachsten kann der digitale Zwilling wohl über den Produktlebenszyklus betrachtet werden. Die drei Schritte Entwicklung, Herstellung und Betrieb werden so in die Elemente «digitaler Master», «digitaler Schatten in der Herstellung» und «digitaler Schatten im Betrieb» des Produktes aufgeschlüsselt. Der digitale Master umfasst also den eigentlichen Produktentwicklungsprozess und repräsentiert das virtuelle Ebenbild als Soll («as designed»). Fertigungstoleranzen, -schwankungen und -parameter sind die Herausforderungen der Produktion und werden im digitalen Schatten des Produkts in der Produktion abgebildet («as built»). Schliesslich wird das Produkt betrieben und somit den Umgebungseinflüssen ausgesetzt. Dies wird als digitaler Schatten des Produkts im Betrieb erfasst. Je nach Produkttyp beinhaltet dies auch Veränderungen am Produkt an und für sich (Upgrades, Firmwarewechsel, Ersatzteile, …) welche dokumentiert werden können («as maintained»).
Die richtige Herangehensweise
Oft wird gefragt, wie denn der digitale Zwilling aussieht. Dies kann so direkt nicht beantwortet werden und ist eigentlich eine wenig zielführende Herangehensweise an die Thematik. Die Frage muss lauten, welchem Nutzen soll der digitale Zwilling unterworfen werden. Daraus ergibt sich schliesslich die Ausprägung. Selbstverständlich ist es auch richtig zu schauen, was heutzutage bereits möglich ist (technology push), wobei es sich am Schluss finanziell rechnen und vom Markt gewünscht und akzeptiert werden muss (market pull). Der Kundennutzen über Zusatzfunktionen und -informationen und interne Nutzen (bspw. Qualitätssicherung, Audits, …) sind also voranzustellen, um herauszufinden, ob die Investitionen lohnend sind. «Wird der Kunde mehr dafür bezahlen?», «Werde ich an Marktanteil dazugewinnen?», «Kann ich die Produktionskosten senken?» und so weiter sind die zentralen Fragen.
Wieso es nicht den digitalen Zwilling an und für sich gibt, ist auch den unterschiedlichen Produktausprägungen geschuldet. An einem Ende der Skala ist beispielsweise ein Gebäude, das in seiner Form und Anzahl einmalig ist (Smart Building). Das andere Extrem ist ein Produkt, welches in Stückzahl und Konfiguration (Variationen und Optionen) in grosser Zahl produziert wird. Weiter stehen die Produkte an unterschiedlichen Stellen in der Wertschöpfungskette. Zum Beispiel ist ein Sensor Teil einer Steuerung, Teil eines Aufzugs, Teil eines Gebäudes, Teil eines Werkgeländes und Teil einer Stadt. Ähnlich einer Matroschka ist also die Systemgrenze zu klären, um die Ausprägung des digitalen Zwillings und die Datenströme in Informationsgehalt, Auflösung und Qualität zu definieren. Ein Modell kann geradezu beliebig genau gestaltet werden. Doch nur weil die Möglichkeit besteht, ist es nicht unbedingt zweckmässig die Grenze der Physik anzustreben. Eine Steigerung des Modellkomplexitätsgrads muss auch einen ebenso grossen Zusatznutzen stiften. Um bei obigem Beispiel zu bleiben, eine «Smart City» muss nicht zwingend alle Sensorwerte aller darin enthaltenen Subsysteme kennen.
Eine Diskussion über den digitalen Zwilling eines Produkts setzt also voraus, dass der Nutzen, die Lebenszyklusphase(n), die Produktcharakteristik und die Systemgrenzen geklärt sind. Dann ergeben sich daraus die verschiedenen Disziplinen im Rahmen von Industrie 4.0, welche beigezogen und als Werkzeuge eingesetzt werden müssen.
Die Produktentwicklung
Beim digitalen Zwilling ist wie bei der klassischen Produktenwicklung vorzugehen. Es ist also nicht besonders schwierig, sondern erfordert eine gewisse Disziplin, bei all den Schlagwörtern bez. IoT und Industrie 4.0 nicht die Übersicht zu verlieren. Die Anforderungen aus dem Markt und interne Bedürfnisse sind zu klären, über einen Business Case (Return on Investment) zu prüfen und in einem Pflichtenheft abzubilden. Dann durchläuft auch der Zwilling die drei Phasen des Produktlebenszyklus: Entwicklung, Produktion und Betrieb. Dies geht Hand in Hand mit dem physischen Produkt, wobei die Verknüpfungen zwischen diesem und der virtuellen Welt sich aus dem angestrebten Nutzen ergeben.
Der festgelegte Zielnutzen des digitalen Zwillings hat einen direkten Einfluss auf die Gestalt des physischen Produkts. Wenn eine Dienstleistung angestrebt wird (Data Driven Service), wie die Vorhersage des Betriebsendes eines Produkts unter Berücksichtigung des Belastungsprofils (Predictive Maintenance), müssen Daten erhoben werden. Das physische Produkt muss also befähigt werden, die richtige Datenmenge in der richtigen Qualität zu erfassen und zur Erfahrungsgewinnung zu übermitteln. Zentral ist, die Lastfälle, Verschleisserscheinungen, Betriebsdauer und so weiter zu analysieren und daraus den Kundennutzen zu generieren. Für das Anbieten einer solchen Zusatzfunktion/Dienstleistung geht der Anbieter in Vorleistung.
Auf Grund dieser Latenzzeit, auch wenn das Betriebsende eines Produkts ein Extrembeispiel darstellen mag, sind bereits heute entsprechende Entwicklungen notwendig. Bietet ein Konkurrent diese Zusatzfunktion an, ist man unweigerlich um die Grössenordnung von mehreren Jahren zurückgeworfen. Weder hat man das physische Produkt noch den dazugehörigen Zwilling entwickelt und ist somit noch nicht einmal in der Position, überhaupt Daten erfasst und analysiert zu haben.
Es ist also wichtig, die Potentiale von Industrie 4.0 für das eigene Portfolio und den eigenen Markt zu durchleuchten (Kundennutzen und eigene Bedürfnisse) und Produkt mit digitalem Zwilling dahingehend zu entwickeln – der klassische Produktentwicklungsprozess mit neuen Werkzeugen und Möglichkeiten. Mit den ersten Schritten darf nicht gezögert werden, denn schliesslich sind jegliche dazugewonnen Erfahrungen für die Zukunft entscheidend.
Senior Lecturer, Centre for Product and Process Development, ZHAW, www.zhaw.ch/zpp,
Core area Industry 4.0 and its effect on the product development, digital twin, sensor applications
Initial Situation
The concept of the digital twin has existed for some time. In space travel, for example, a second probe would be left on Earth to test the effect of control commands before sending them to the probe traveling through space. This came of sheer necessity, since the scope for any corrective action in outer space was, and is still, extremely limited. In the era of „Internet of Things“ (IoT) and the fourth industrial revolution „Industry 4.0“, the digital twin (aka „digital avatar“) has made a comeback and is gaining in importance.
In most cases, a twin is defined as the combination of the three elements „physical object/system“, „virtual counterpart“ and „interface between the two elements“. Furthermore, we now have suitable extensions to include twins of non-material goods. Classed as „data-driven services“, digital twins with no physical counterpart are created, used for example to support company decision-making processes.
Probably the simplest way to look at a digital twin is over its product life cycle. The three steps of development, production and operation can thus be broken down into three product elements „digital master“, „digital shadow in production“ and „digital shadow in operation“. The digital master comprises the actual product development process and represents the virtual counterpart (“as designed”). Manufacturing tolerances, fluctuations and parameters are the challenges of production and are represented in the digital shadow of the product in production („as built“). Finally, the product is operated and thus exposed to environmental influences. This is defined as the digital shadow of the product in operation. Depending on the product type, this also includes changes to the product itself (upgrades, firmware changes, spare parts, etc.) which can be documented („as maintained“).
The Right Approach
People often ask what a digital twin looks like. This cannot be answered directly and is actually not a very effective way of approaching the topic. The question should be, what uses (benefit) will the digital twin be put to? After all, this is what shapes its design. Of course, it is also appropriate to verify what is currently possible today (technology push), and whether it will ultimately pay off financially and be desired and accepted by the market (market pull). The benefits to the customer from additional functions and information and the internal benefits (e.g. quality assurance, audits, etc.) must therefore be evaluated in order to determine whether the investment is worthwhile. „Will the customer pay more?“, „Will I gain market share?“, „Can I reduce production costs?“ and so on, are the central questions.
Why the digital twin as such may not exist also depends on the characteristics of different products. At one end of the scale, for example, we could have the case of a building that is one of a kind (smart building). The other extreme could be a product that is produced in large quantities and many different configurations (variations and options). Otherwise products are located at different points in the value chain. For example, a sensor is part of a controller, part of an elevator, part of a building, part of a factory site and part of a city. Like a Russian Matryoshka, the system boundary first has to be clarified in order to define the characteristics of the digital twin and the data streams in terms of information content, resolution and quality. A model can be designed with almost any degree of precision. But just because the possibility exists, it does not necessarily make sense to try to reach the boundaries of physics. An increase in the complexity of the model must also provide an equally large additional benefit. To stay with the above example, a smart city does not necessarily have to know all the sensor values of all the subsystems it contains.
Before discussing the digital twin of a product, the benefits, the life cycle phase(s), the product characteristics and the system boundaries must be clarified first. This defines which disciplines in the framework of Industry 4.0 should be harnessed and used as tools.
Product Development
To develop a digital twin, the procedure is the same as for traditional product development. It is therefore not particularly difficult but requires a certain discipline not to lose sight of the main objectives, among so many buzzwords like IoT and Industry 4.0. The market requirements and internal requirements must be clarified, checked via a business case (return on investment) and documented in a requirements specification. Then the twin goes through the same three phases of the product life cycle: Development, production and operation. This goes hand in hand with the physical product, with the links between the physical product and the virtual world resulting from the intended use.
The defined target benefit of the digital twin has a direct influence on the form of the physical product. If the goal is a service (data-driven service), such as predicting the end of a product’s service life subject to the load profile (predictive maintenance), data must be collected. The physical product must therefore be able to collect the right amount of data in the right quality and to transmit it in order to acquire experience. It is essential to analyze the load cases, wear and tear, operating time and so on, and to generate customer benefits from this. The supplier has to invest upfront to provide this type of additional function/service.
Because of this latency, even though product end-of-life may be an extreme example, these types of development are needed even today. If a competitor offers this additional function, you inevitably fall several years behind them. Neither the physical product nor its twin has been developed, so you are not even at the stage of having collected and analyzed any data at all.
It is therefore important to examine the potential of Industry 4.0 for your own portfolio and market (customer benefits and your own requirements) and to develop products with digital twins in consequence, using the classic product development process with new tools and possibilities. One should have no hesitation about taking the first steps, since any experience gained will be decisive for the future.
Neueste Kommentare