Lebensmittelrohstoffe haben stets Schwankungen in ihren Rohstoffeigenschaften. Die Qualität in Bezug auf Schwankungen der Rohstoffeigenschaften ist abhängig von diversen Faktoren wie der Sortenauswahl, der Bodenbeschaffenheit, den klimatischen Bedingungen oder der Witterung. Die Nahinfrarotspektroskopie (NIRS) eignet sich besonders gut zur Qualitätskontrolle von Rohstoffen. Die Vorteile dieser Messmethode sind, dass die Daten in Echtzeit verfügbar sind und die Messprobe nicht zerstört wird. Neben der Qualitätsbestimmung eignet sich die NIRS ebenfalls zur Online-Anwendung für Prozesskontrollen und Prozesssteuerungen.
Das Ziel von diesem Projekt ist es, mittels NIRS die Eigenschaften und Qualität von grünen Kaffeebohnen zu erfassen und den Röstprozess zum gewünschten Endproduktzustand zu steuern. Um dies zu ermöglichen, müssen Kaffeebohnen verschiedenster Herkunft und Qualität von der grünen Bohne bis zum gerösteten Kaffee kontinuierlich vermessen, beurteilt und die Daten gesammelt werden. Damit Aussagen betreffend Inhaltstoffen und Zuständen gemacht werden können, werden zusätzlich offline chemische Fingerprint Profil Analysen vorgenommen.
Abbildung 1: Ziel vom Gesamtprojekt
Mit diesen Daten werden Prozess-Algorithmen entwickelt, welche es ermöglichen basierend auf den gemessenen Rohstoffeigenschaften eine gewünschte Endproduktqualität zu erreichen. Dies wird in der Anwendung weiterhin eine Interaktion zwischen Mensch und Maschine bedeuten. Der Prozess-Algorithmus wird verschiedene mögliche Endzustände, basierend auf der Rohstoffmessung und dem Zielwert, vorschlagen und der Mensch wird mit seinem Knowhow die finalen Entscheidungen treffen.
In einem ersten Schritt haben wir in der Zusammenarbeit mit der Firma Büchi Labortechnik AG aufgezeigt, dass mit der NIRS-Methode Bohnen verschiedener Herkunft und Qualität unterschieden werden können. Der Röstprozessverlauf konnte mit einer Hauptkomponentenanalyse auf Basis der NIRS-Daten dargestellt werden (Abbildung 2).
Abbildung 2: Modelle für die Bestimmung von Qualität, Herkunft und Rostverlauf
In weiteren Schritten sollen die Modelle mit weiteren Datenaufnahmen verfeinert und mit sensorischen Evaluationen ergänzt werden. Mit diesen Grundlagen können anschliessend erste Prozessalgorithmen erstellt, mit Industriepartnern in der Praxis getestet und kontinuierlich weiterentwickelt werden.
Asset Administration Shell as a Basic Concept for Implementing Industry 4.0
When talking about Industry 4.0 or, better yet, of the broader expression “digitalization in industry”, terms such as cyber-physical systems, digital twin, human-robot collaboration, IoT, augmented reality, big data and many more immediately pop up. Many companies either do not know the term Asset Administration Shell (AAS) at all or consider the AAS to be an unnecessary “academic” overhead for the implementation of Industry 4.0. In fact, the AAS is one of the most underestimated core elements of digitalization, as it is the central concept of Industry 4.0 to enable seamless interoperability. The AAS empowers continuous vertical, horizontal and life cycle integration as it provides a standardized digital description for each asset. This description is not only of static nature but can also reflect the real-time behavior of systems. In this blog we would like to briefly explain and introduce the essential features and advantages of the AAS.
Reference Architecture Model Industry 4.0 (RAMI4.0)
To explain the concept of the AAS, we first have to start with a brief excursion into the Reference Architecture Model for Industry 4.0 (RAMI4.0) in order to understand where the idea of the AAS originates from. RAMI4.0 introduces all elements and IT components in a layer and life cycle model and divides complex processes into simple, manageable packages. RAMI4.0 thus describes how an asset, i.e., a physical object in industrial production, including the product itself, can be converted into a digital representation and processed in the digital world. In other words, RAMI4.0 is the „guide“ for digitalization in industry. RAMI4.0 structures the discussion about assets essentially along the three following „axes“ (Fig. 1):
Layers: Representation of the information relevant to the role of the asset in the form of the „layers“ Asset, Integration, Communication, Information, Functional and Business.
Lifecycle: Representation of the lifecycle of an asset separated according to the development of the „type“ and the production of the „instances“ based on IEC 62890.
Hierarchy: Assignment of functional models of product, field device, control unit, station, technical system, company, networked world, etc. based on the standards DIN EN 62264-1 and DIN EN 61512-1.
As Figure 1 shows, the lowest layer of RAMI4.0 contains the assets, i.e., the physical world, while the layers above describe the digital world. The essential question now is: how to link the physical asset to the digital world and how to achieve the networking of the various hierarchy levels and life cycles across the different layers?
Fig 1.: 3D representation of the Reference Architecture Model Industry 4.0 (RAMI4.0), Source: DIN SPEC 91345:2016-04 Reference Architecture Model Industry 4.0 (RAMI4.0)
Asset Administration Shell
Now the answer to the question asked above is quite simple: we need a „translator“ which also includes other functions for communication, data provision, ensuring data security, description of the asset property, and so on. You can think of this translator as the digital twin of the physical asset. It practically forms a shell around the real object and, so to speak, encapsulates the physical object in the digital world. This digital representation of the asset is known as the Asset Administration Shell. Together with the asset, the AAS forms the so-called “Industry 4.0 component”. The AAS provides information on Industry 4.0 components, a unique identifier for this asset and a general interface to access the information and functionalities of the asset.
The important point now is, that AAS exist for physical and non-physical units and as a result, devices, products, employees but also processes and software (e.g., ERP, MES) can have asset administration shells and thus become „components“ of Industry 4.0. The power of this approach may be rated low at a first glance, but only with this concept is it possible to do what we have been dreaming of since the advent of industrial production: seamless interoperability between all involved systems. The AAS disburdens from proprietary communication systems, allows continuous communication of all devices from shop floor to management, from supplier to customer and across all product life cycles. It allows new business models, product tracing, predictive maintenance, data access at all levels and unlimited interactivity. The AAS concept is the manufacturer-independent standardization of the description of all industrial components. There are currently no other approaches that provide for such a self-description of systems and devices in a manufacturer-independent manner. The AAS offers a standardized, secure communication interface between the asset and the Industry 4.0 network. In the current version, RAMI4.0 promotes OPC Unified Architecture (OPC UA) as the communication standard.Expanded by the publish / subscribe model and the Ethernet standard Time Sensitive Networking (TSN), OPC UA becomes a real-time communication standard.
There are several open-source activities promoting the AAS, for example, admin-shell (https://github.com/admin-shell-io), BaSyx21 (https://www.eclipse.org/basyx/) and SAP i40-aas (https://github.com/SAP/i40-aas). They provide open-source developer tools such as editors with import and export functionality and software development kits in different programming languages for the AAS. However, it must be mentioned here that these are development versions that are more of an experimental nature and not suitable for industrial deployment.
Benefits, advantages, and opportunities of the AAS concept
It should not be overlooked at this point that the AAS concept generates considerable effort on the development side. You can roughly compare it with a modern computer operating system, but in this case for networked production. However, to stick to this analogy, nobody today would operate a computer without an operating system and accordingly the AAS concept will also offer enormous advantages for production. In the context of this blog, we just want to give a summary listing with the main advantages:
Reconfigurable Manufacturing Systems (known as Plug & Produce)
Self-locating, self-organizing production lines Lot size one production
Customization, order-controlled production
Scalable, upgradable production lines
Faster integration, fast ramp-up and ramp-down of production lines
Bidirectional persisting information flow among manufacturers to integrators to customers
You are welcome to contact us if you have any questions about the concept, design and implementation of AAS. We work in international committees for the implementation of the AAS and operate an Industry 4.0 demonstrator and a Learning Factory, where we are currently the only institution in Switzerland which is able to show not only the theoretical concepts but also the practical implementation of AAS.
You are welcome to contact us if you have any questions about the concept, design and implementation of AAS. We work in international committees for the implementation of the AAS and operate an Industry 4.0 demonstrator and a Learning Factory, where we are currently the only institution in Switzerland which is able to show not only the theoretical concepts but also the practical implementation of AAS.
Wernher van de Venn
ZHAW Zürcher Hochschule für Angewandte Wissenschaften School of Engineering IMS Institute of Mechatronic Systems Prof. Dr.-Ing. Hans Wernher van de Venn Director of the Institute of Mechatronic Systems IMS Adjunct Professor Isfahan University of Technology IUT Technikumstrasse 5, Postfach CH-8401 Winterthur / Switzerland Phone +41 58 934 77 89 Fax +41 58 935 77 89 E-Mail: vhns@zhaw.ch Internet: https://www.zhaw.ch/de/engineering/institute-zentren/ims/
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.
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.
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.
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
Neueste Kommentare