Digitalisierung in der Industrie (TSM_DigInd)

Blogautor: Daniel Schmid

Die Digitalisierung in der Industrie schreitet schnell voran. Die Möglichkeiten führen zu neuen, meist mechatronischen, Produkten und Dienstleistungen mit einem entsprechenden Mehrwert für den Kunden und einer gesteigerten internen Effizienz. Um in diesem sich wandelnden Industrieumfeld bestehen zu können, braucht es auch die entsprechenden Mitarbeiterinnen und Mitarbeiter, welche die Digitalisierung mit ihrem Wissen vorantreiben und formen können. Ab Februar 2021 findet im Rahmen des Master of Science in Engineering (MSE) erstmal das Modul «Digitalisation in Industrie» (TSM_DigInd) statt, welches hier ansetzt und die Studentinnen und Studenten befähigt, tatkräftig und mit den richtigen Fragen die digitale Transformation mitzutragen.

Den Teilnehmerinnen und Teilnehmer werden im neuen Master-Modul ein fundiertes Wissen über die Digitalisierung in der Industrie vermittelt. Sie sollen schliesslich mit den erfahrenen Fachleuten die digitale Transformation mitgestalten.

Um sich in der Vielfalt der Themen nicht zu verlieren und die Zusammenhänge zu erkennen, wird eine «Metrokarte» die Orientierung unterstützen. Im Zentrum steht das digitalisierte Produkt und die digitalisierte Fertigung. Zusammengenommen kann dies auch als «Smart Factory» bezeichnet werden und unterstreicht, dass diese beiden Elemente für den Markterfolg Hand in Hand gehen müssen. Zweck der Produkte und Dienstleistungen ist selbstverständlich Kundenbedürfnisse zu erfüllen. Und was der Kunde für den Hersteller ist, ist der Hersteller für den Lieferant. Die unterschiedlichen Perspektiven werden im Modul entsprechend aufgezeigt und das Potenzial aus der Interaktion mit dem Kunden und dem Lieferanten erörtert. Hierbei wird der digitale Zwilling als Werkzeug eingeführt, sowohl als Gedankenmodell als auch als umgesetzte Verknüpfung zwischen realer und virtueller Welt.

Das Programm des Moduls führt durch diese «Metrokarte» und enthält neben theoretischen Blöcken auch solche aus der Industrie, um einen starken Praxisbezug zu schaffen.

  • End-to-end-Prozesse
  • Der digitale Zwilling (digitaler Master und digitaler Schatten in Produktion und Betrieb)
  • Produktdatenmanagement als Grundlage für den digitalen Master
  • Modernste Innovations-Werkzeuge wie bspw. Augmented Reality (AR)
  • Umgang mit Produktkomplexität über den gesamten Lebenszyklus
  • Entwicklung mechatronischer Produkte und dessen Interdisziplinarität
  • Praxis, Praxis, Praxis
    • Sales to Delivery (Konfiguration à Arbeitsplanung à Logistik)
    • Smart Sales in der Praxis
    • Produktionsmanagment
    • Effizienz in der Produktion
    • Predictive Maintenance anhand einer Spritzgussmaschine
    • Geschäftsmodellinnovation und «Smart Services» (digitaler Zwilling im Servicebereich)

Neben den beiden Hauptdozenten der OST und der ZHAW werden weitere Experten aus Fachhochschulen (u.a. auch der HSLU) und Wirtschaft den Modulinhalt vermitteln.

Daniel SchmidZPP, ZHAW

Felix NyffeneggerIPEK, OST

Value Creation with Digital Twins – a Conceptual Framework: Dimension der Datenressourcen

Blog-Autoren: Barth, Linard & Ehrat, Matthias

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

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 letzten Beitrag unserer Reihe zum Rahmenmodell beleuchten wir die dritte Dimension «Datenressourcen». Wir erläutern dazu die drei Achsen und deren Spezifikationen.

Datenressourcen

Daten werden oft als das Öl des digitalen Zeitalters bezeichnet und sind für die Wertgenerierung mit digitalen Zwillingen unerlässlich. Die Analogie stimmt zwar hinsichtlich der zentralen Bedeutung dieser Ressource. Im Gegensatz zu Öl vergrössern sich jedoch die Vorkommen von Daten stetig.

Was ein digitaler Zwilling genau ist und wie welche Datenressourcen zur Realisierung verwendet werden, ist in Literatur und Praxis unterschiedlich definiert. Unter einem digitalen Zwilling wird jedoch immer eine Art von Datendrehscheibe verstanden, welche Daten erhalten, generieren, verarbeiten und weiterversenden kann. Damit ein Unternehmen die in der Betrachtung der externen und internen Dimension definierten Werte mit digitalen Zwillingen realisieren kann, ist es unabdingbar über die benötigten Datenressourcen zu verfügen.

Dabei stellen sich grundsätzlich die Fragen, über was beziehungsweise von was das Unternehmen Daten benötigt (Data Category), aus welchen Quellen (Data Sources) diese Daten gewonnen werden können und in welcher Qualität (Data Format) diese Daten benötigt werden. Hinsichtlich der letzten Teilfrage ist zudem zu beantworten, mit welchen Methoden und Werkzeugen die Aufbereitung und Analyse der Daten erfolgen soll.

Data Category

Über was/von was benötigen wir Daten?

Viele Unternehmen geben darauf eine vermeintlich einfache Antwort: Wir müssen über alles möglichst viele Daten generieren und speichern – so haben wir alle benötigten Daten für aktuelle und zukünftige Anwendungen, die wir teilweise auch erst mit «Big Data Mining» im so angestauten «Data Lake» entdecken werden. Diese Antwort mag für einige Unternehmen wie Facebook oder Google durchaus richtig sein. Für die meisten Unternehmen ergeben sich dadurch jedoch mehr Herausforderungen als Mehrwerte: Die Preise für Cloud-Speicher sinken zwar stetig, dennoch sind die Kosten für Datenseen, die keinen unmittelbaren Mehrwert bringen, nicht zu unterschätzen. Zudem sind auch die Aufbereitungs- und Analysemethoden mittels Algorithmen, wie «Machine Learning» oder «Artificial Intelligence», selten in der Lage unbekannte Muster zu entdecken, ohne dass vorgängig zumindest eine Idee vorhanden ist, wonach gesucht werden soll. Schliesslich steigen die Kosten und Zeitaufwände mit der Menge an zu verarbeitenden Daten, falls diese überhaupt in einem austausch- und verarbeitbaren Format vorliegen. Deshalb sollte aus unserer Sicht Folgendes die Antwort auf obig gestellte Frage sein: Wir benötigen vorrangig jene Daten, welche notwendig sind, um die vorgängig definierten internen und externen Werte zu realisieren. Dabei können die folgenden drei Hauptkategorien unterschieden werden:

Kundenorientierte Daten (Customer)

Dazu gehören sämtliche Daten, die Auskunft über die Nutzer der eigenen Leistungen geben. Dadurch kann die Beziehung zum Kunden im Kundenlebenszyklus optimal gestaltet werden und Kunden können gezielt einzelnen Segmenten zugeordnet werden. Beispiele entlang der «Customer Journey» sind die erstmalige Wahrnehmung des Angebots («Impression»), die Phasen der Bedarfsentwicklung, die Aktivitäten des Such-, Vergleichs- und Auswahlprozesses, die Wahl geeigneter Konfigurationen, oder das Verhalten während der Nutzungsphase und darüber hinaus.

Produktorientierte Daten (Product)

In diese Kategorie fallen alle Daten, welche Aufschluss über das eigene Marktangebot in Form von Produkten und Dienstleistungen geben, sowohl historisch, aktuell, als auch zukunftsorientiert. Dazu gehören unter anderem Eigenschaften, Prozesse, Funktionalitäten und Zustände. Gerade hier kann der digitale Zwilling eine zentrale Rolle als Drehscheibe produktorientierter Daten aus der externen Nutzung und aus der eigenen, internen Wertschöpfung über den gesamten (Produkt-) Lebenszyklus einnehmen. 

Kontextorientierte Daten (Context)

Die dritte Kategorie enthält sämtliche Daten, welche Aufschluss über die umgebenden Systeme geben und nicht direkt produkt- oder kundenorientiert sind. Dazu gehören Daten über Umwelt, Wirtschaft, Gesellschaft, Bezugs- und Absatzmärkte oder Konkurrenten. Die Kontextdaten scheinen auf den ersten Blick weniger relevant zu sein als die beiden anderen Kategorien. Doch die Kenntnis des relevanten Kontexts ist oftmals unerlässlich für eine erfolgreiche Interpretation der produkt- und kundenorientierten Daten (vgl. «Data Format»).

Data Sources

Aus welchen Quellen können wir die benötigten Daten gewinnen?

Sind die benötigten Daten identifiziert und definiert stellt sich die Frage, aus welchen Quellen diese Daten bezogen werden. Oft sind bereits Daten im Unternehmen vorhanden, weshalb eine gründliche Inventur und Analyse der vorhandenen Daten meist den ersten Schritt darstellt. Gerade in grossen Unternehmen sind die Daten oft unkategorisiert in fragmentierten (Teil-) Systemen unterschiedlicher Verantwortungsbereiche abgelegt. Hinsichtlich der nicht bereits vorhandenen Daten stellt sich im nächsten Schritt die Frage, aus welchen Quellen diese gewonnen werden können. 

Things

Eine der zentralen Quellen für die Wertgenerierung mit digitalen Zwillingen sind die Instanzen. Diese generieren Daten über Sensoren und kommunizieren diese über das Internet der Dinge («Internet of Things»). Eine Instanz kann hierbei ein «Connected Product», ein «System» oder ein «System of System» sein, wie wir in der Dimension der externen Wertgenerierung ausgeführt haben. Diese «Things» sind jedoch nicht nur Datenquellen, sondern auch Datenempfänger. Genau dieser bidirektionale Datenaustausch zwischen digitaler Repräsentation und realem Gegenstück ist charakterisierend für digitale Zwillinge. Die «Things» sind oft die einzig mögliche Quelle für Daten direkt aus der Nutzungsphase und können alle Datenkategorien umfassen. So können z.B. Daten zum Zustand und der Performance (Product), zu den Nutzungspräferenzen (Customer) oder der Umgebungstemperatur und Feuchtigkeit (Context) generiert werden.

Internal Systems

Hierzu gehören sämtliche verfügbaren internen Informationssysteme eines Unternehmens. Im Kontext der Wertgenerierung mit digitalen Zwillingen sind das typischerweise CAD, CRM, MES, ERP, PLM, PIM und weitere Service-Systeme. Auch diese Systeme sind sowohl Quellen als auch Empfänger von Daten des digitalen Zwillings.

External Systems

Viele der benötigten und nicht von «Things» oder internen Systemen erhältlichen Daten können über externe Systeme als Quellen bezogen werden. Dazu gehören neben öffentlichen Systemen wie Datenbanken staatlicher Institutionen, Forschungseinrichtungen und Non-Profit-Organisationen auch kommerzielle Datenanbieter, sowie die internen Systeme anderer Unternehmen. Weiter stellen das Internet und die sozialen Plattformen nicht zu unterschätzende Datenquellen für die Wertgenerierung mit digitalen Zwillingen dar. Oftmals sind externe Systeme alternative Datenquellen, sodass Unternehmen ähnlich wie für physische Ressourcen im klassischen Supply Chain Management auch bei den Datenressourcen systematische Make-or-Buy Analysen durchführen sollten.

Data Format

Welche Datenqualität und -wertigkeit benötigen wir?

Daten an sich stellen noch keinen Wert dar. Erst durch deren Verwendung in einem konkreten Anwendungsfall wird Wert generiert. Für einfache Anwendungen mag es ausreichend sein, die Daten unaufbereitet beispielsweise als Datenpunkt oder Verlauf zu visualisieren. Für anspruchsvollere Anwendungen ist es dagegen erforderlich, Daten mit geeigneten Verfahren aufzubereiten oder sogar anzureichern. In der Folge repräsentieren diese, analog zur DIKW Pyramide, keine reinen Daten, sondern Informationen, Wissen oder gar Weisheit. 

Unstructured

Unstrukturierte Daten sind nicht aufbereitete Rohdaten. Sie liegen häufig in herstellerspezifischen, nicht austauschbaren Formaten vor. Diese Art von Daten machen den Grossteil aller auf der Welt vorhandenen Daten aus, da das Strukturieren und Aufbereiten der Daten Kosten verursacht und daher oft erst im Bedarfsfall durchgeführt wird. Zu den unterstrukturierten Daten gehören z.B. Sensormesswerte der «Things» oder Daten in internen Systemen, die nicht mit anderen Systemen kompatibel sind und somit zu den bekannten Datensilos führen. Einfache Beispiele wären eine Audio-Datei eines Interviews oder ein einzelner Messwert z.B. von einem Ultraschallsensor.

Structured

Werden die unstrukturierten Daten aufbereitet, liegen sie in der Folge als Informationen vor. D.h. sie liegen nun in austauschbaren, durchsuchbaren und/oder interpretierbaren Datenformaten vor und sind nun anwendungsbereite Informationen. Die oben erwähnte Audio-Datei des Interviews wurde transkribiert und liegt nun z.B. im .xml-Format vor, welches von unterschiedlichen Programmen gelesen werden kann. Der Messwert des Ultraschallsensors wurde in eine Distanzmessung von 50 cm übersetzt und in der Cloud abgespeichert.

Interpreted

Auch Informationen stellen noch keinen Wert dar, dafür müssen sie zuerst verwendet werden. Um die richtigen Entscheidungen und Aktionen abzuleiten, müssen die Informationen jedoch zuerst interpretiert werden. Erst die interpretierten Daten repräsentieren eine hinreichende Basis für die Entscheidungsfindung, sie implizieren folglich Wissen (bedingen also «sense-making»). Sollen Entscheidungen oder Aktionen automatisiert ausgelöst werden, muss dieses Wissen auf Basis der Informationen generiert und in Verbindung gesetzt werden. Dieser Prozess ist aufwändig und fehleranfällig, da unter Umständen eine Vielzahl an Interdependenzen berücksichtigt und Unsicherheiten abgewogen werden müssen. Auch wenn beispielsweise Methoden der künstlichen Intelligenzen diese Aufgabe übernehmen können, wird sie in vielen Fällen noch den Menschen überlassen. Bei unseren Beispielen könnte das transkribierte Interview mit einem kognitiven Dienst auf Präferenzen und Einstellung der Person analysiert werden. Die gemessene Distanz des Ultraschallsensors könnte als Überschreitung eines Behälterfüllstandes interpretiert werden und dieser für die nächste Leerungstour disponiert werden.

Ausblick

Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. Ein Rahmenmodell hilft zur Orientierung und zur Definition und Kommunikation des eigenen Verständnisses innerhalb des Unternehmens. Das in diesem abschliessenden 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 Ihr Feedback. Wir sind auch an der Diskussion konkreter Anwendungen und deren Realisierung interessiert.

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.

linard.barth@zhaw.ch / Telefon +41 58 934 68 67

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.

matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Applying IIoT and AI – Opportunities, Requirements and Challenges for Industrial Machine and Equipment Manufacturers to Expand Their Services

Blog-Autor: Peter Qvist-Sørensen

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

Value Creation with Digital Twins – a Conceptual Framework: Dimension der internen Wertgenerierung

Blog-Autoren: Barth, Linard & Ehrat, Matthias

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

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

Dieses Bild hat ein leeres Alt-Attribut. Der Dateiname ist image-6.png

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.

Linard.barth@zhaw.ch / Telefon +41 58 934 68 67

Dieses Bild hat ein leeres Alt-Attribut. Der Dateiname ist image-7.png

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.

Matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Security by Design for IoT Devices

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.

The Whitepaper and an accompanying video are available under https://digitalcollection.zhaw.ch/handle/11475/20718

Value Creation with Digital Twins – a Conceptual Framework: Dimension der externen Wertgenerierung

Blog-Autoren: Barth, Linard & Ehrat, Matthias

Im ersten Blogbeitrag zum Digital Twin Conceptual Framework der Fachstelle für Produktmanagement des Instituts für Marketing Management wurde das Rahmenmodell im Überblick vorgestellt und mögliche Anwendungen erläutert.

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.

Linard.barth@zhaw.ch / Telefon +41 58 934 68 67

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.

Matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Bluetooth 5.0 für Industrie 4.0

Blogautor: Patrick Rennhard

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: 

Link Derichs: 
https://www.zhaw.ch/de/engineering/institute-zentren/isc/referenzprojekte/messtool-fuer-industrie-40-bei-walzen-im-extrusionsprozess/

Link Leica: 
https://www.zhaw.ch/de/engineering/institute-zentren/isc/referenzprojekte/bluetooth-smart/

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.

Link Bluetooth 5.0 Video: https://www.youtube.com/watch?v=53fQjEqtfxg

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.

Internet of Things: What’s Next? Smart Dust!

Blogautor: Dr. Manuel Holler

Smart Dust als radikale Miniaturisierung von IoT

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

Zwischenfazit: Grosse Potentiale, grosse Herausforderungen

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

Value Creation with Digital Twins – a Conceptual Framework

Ein Blogbeitrag der Fachstelle für Produktmanagement des Instituts für Marketing der ZHAW

Blog-Autoren: Barth, Linard & Ehrat, Matthias

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.

Linard.barth@zhaw.ch / Telefon +41 58 934 68 67

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.

Matthias.ehrat@zhaw.ch / Telefon +41 58 934 66 31

Quellen:

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

Panetta, K., (2018). Gartner Top 10 Strategic Technology Trends for 2019. Published online October 15, 2018. https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019 / Accessed 12 August 2019.

Rais, A. (2019). Growth of the digital twin market. Published online August 2, 2019. https://www.maschinenmarkt.international/growth-of-the-digital-twin-market-a-851571 / Accessed 12 August 2019.

Workforce 4.0 – A method to analyze the impacts of Industry 4.0 applications on value chain and work activities

Blog authors: Marc Vetterli, Peter Qvist-Sørensen, Center for International Industrial Solutions, SML, ZHAW

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.

« Ältere Beiträge