Das Paradigma der Vernetzung von physischer und digitaler Welt hat in den letzten zehn Jahren weite Bereiche von Wirtschaft und Gesellschaft erfasst, und sich unter Schlagworten wie Smart City, Smart Manufacturing oder Smart Health etabliert.
In Zeiten rasanten technologischen Wandels stellt sich die Frage: Was kommt nach dem Internet der Dinge? Die Chancen stehen gut für Smart Dust. Dieser «schlaue Staub» beschreibt integrierte, weiträumig verteilte Sensornetzwerke, deren einzelne Bestandteile sich in einer Grössenordnung von unter einem Kubikmillimeter bewegen [1].
Abbildung 1: Vision von Smart Dust in einem Trägermedium
SNF Spark-Projekt zur Erforschung von Nutzenpotenzialen
Motiviert zum einen durch die steigende Technologiereife und zum anderen durch das unklare Bild über Nutzungsmöglichkeiten, leitet das Product Management Center der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) ein SNF-Grundlagenprojekt zum Thema.
Das Projekt im Rahmen des neuen Förderungsinstruments «Spark», welches besonders gewagte, aber auch vielversprechende Ideen adressiert, hat zum Ziel, einzelne Anwendungsfelder, übergeordnete Einsatzbereiche und die grundsätzliche Rolle von Smart Dust im industriellen Sektor zu untersuchen.
Abbildung 2: Grössenordnung eines einzelnen Smart Dust-Korns
Bisher durchgeführte Forschungsarbeiten [2,3] in der deutschsprachigen Maschinen-, Elektro- und Metall-Industrie zeigen grosses Potential – einige Beispiele:
Im Fluidtechnikbereich kann Smart Dust durch verbesserte Flüssigkeitsmessungen helfen, hochsensible Prozesse, wie etwa das Thermomanagement in Rechenzentren, besser zu steuern. Auch industrieübergreifend bietet der «schlaue Staub» die Chance, Logistikprozesse transparenter und belastungsintensive Bauteile sicherer zu machen.
Spannend wird es insbesondere auch, wenn neben rein sensorischen auch noch aktuatorische Fähigkeiten ins Spiel kommen («Micro Robots»). So werden beispielsweise im Aerospacebereich adaptive Oberflächen, die dynamisch ihre Struktur verändern können, ermöglicht.
Gleichermassen gilt es noch viele offene Fragen zu beantworten, sei es bezüglich technischer Leistungsdaten, wirtschaftlicher Überlegungen, oder auch in Bezug auf Datenschutz und Nachhaltigkeit. Wenn auch heute noch visionär anmutend, hat das Internet der Dinge gezeigt, wie schnell und tief die Diffusion von digitalen Technologien erfolgen kann.
Danksagung
Dieses Projekt wurde durch das «Spark»-Programm des Schweizerischen Nationalfonds zur Förderung der wissenschaftlichen Forschung (SNF) unterstützt.
Literatur zum Thema
[1] Warneke, B., Last, M., Liebowitz, B., and Pister, K.S.J. 2001. “Smart Dust: Communicating with a Cubic Millimeter Computer,” Computer (34), pp. 44–51.
[2] Holler, M., Haarmann, J., van Giffen, B., and Frank, A. 2020. “Smart Dust in the Industrial Economic Sector – On Application Cases in Product Lifecycle Management,” Springer IFIP Advances in Information and Communication Technology (forthcoming).
[3] Holler, M., Dremel, C., van Giffen, B., and Fuchs, R. 2020. “Smart Dust und Micro Robots im industriellen Sektor – Chancen, offene Punkte und Handlungsempfehlungen,” Springer HMD Praxis der Wirtschaftsinformatik – Special Issue on Robotics (under review).
Ansprechpartner & Kontakt
Dr. Manuel Holler (manuel.holler@zhaw.ch | +41 58 934 7060) ist wissenschaftlicher Mitarbeiter am Product Management Center der ZHAW. Seine Forschung konzentriert sich auf digitale Innovationen für das industrielle Produkt- und Dienstleistungsgeschäft.
Veröffentlicht unter Smart Product Management | Verschlagwortet mit Digitalisierung, Forschungsprojekt, IMM, Industrie, Innovationsprojekt, Institut für Marketing Management, Internet der Dinge, Internet of Things, IoT, Micro Robots, Product Management Center, Schlauer Staub, Schweizerischer Nationalfonds, Smart Dust, SNF, ZHAW
Der Fortschritt in der Informations- und Kommunikationstechnologie verwandelt traditionelle in intelligente Produkte und ermöglicht es Unternehmen, neuartige intelligente Dienstleistungen anzubieten. Dabei gilt das Konzept des «digitalen Zwillings» als eine Schlüsseltechnologie, um mit intelligenten Diensten Mehrwert zu schaffen.
Der Digitale Zwilling wird von Gartner dementsprechend auf Platz 4 innerhalb der Top 10 der strategischen Technologietrends geführt, die „noch nicht weithin anerkannte Trends sind, jedoch Auswirkungen auf die Transformation von Industrien bis 2023 haben“ (Panetta, 2018). Auch wenn das Konzept des digitalen Zwillings relativ jung ist, wird ihm eine grosse Zukunft vorausgesagt, so soll der Markt von schätzungsweise $ 3,8 Mrd. im Jahr 2019 auf $ 35,8 Mrd. im Jahr 2025 wachsen (Rais, 2019).
Entsprechend viele Unternehmen haben sich in den letzten Jahren und Monaten dieses Thema auf die Fahne geschrieben und investieren gewaltige Ressourcen in entsprechende Entwicklungen. Allerdings sind die konkreten Mehrwerte und damit die Renditeaussichten von Investitionen in digitale Zwillinge in der Praxis oft schwierig abzuschätzen, da interne wie externe Prozesse betroffen sind und die erfolgreiche Bewältigung der Herausforderungen dieses komplexes Themas das Zusammenspiel von verschiedenen Unternehmensbereichen erfordert.
Funktionsübergreifende Diskussionen und Zusammenarbeit gestalten sich daher oft mühselig, da ein gemeinsamer konzeptioneller Rahmen, eine eindeutige Terminologie und gemeinsame Sprache auf der Grundlage eines ausreichend abstrakten, intuitiv verständlichen und einfach zu handhabenden Referenzmodells fehlen. Deshalb hat die Fachstelle für Produktmanagement des Instituts für Marketing Management 2018 ein Forschungsprojekt gestartet, um ein entsprechendes konzeptionelles Referenzmodel für die Wertgenerierung mit digitalen Zwillingen zu entwerfen und die Unternehmen damit bei ihren Innovationsprojekten zu unterstützen.
Das in diesem Beitrag vorgestellte Modell umfasst die aus akademischer Sicht zentralen Dimensionen des digitalen Zwillings und spezifiziert diese im Hinblick auf eine abgestimmte und schlüssige Wertgenerierung.
Das Digital Twin Conceptual Framework
Um die Wertgenerierung mit digitalen Zwillingen ganzheitlich zu erfassen, werden in einem ersten Schritt die Dimensionen externe Wertgenerierung (im Markt, bei den Kunden), interne Wertgenerierung (innerhalb des Unternehmens) und die dafür benötigten Datenressourcen unterschieden.
Externe Wertgenerierung
Am meisten Beachtung findet in Innovationsprojekten jeweils die externe Wertgenerierung, da eine Mehrheit der Unternehmen beabsichtigen, durch digitale Zwillinge und die dadurch ermöglichten datenbasierten Services zusätzliche Umsätze zu generieren, Margen zu erhöhen und die Kundenzufriedenheit und -bindung zu verstärken. Dabei stellt sich in jedem Fall die Frage, auf welcher Hierarchieebene des Systems (System Hierarchy Level) Wert entstehen soll, welche Bereiche des Service-Umfangs (Service Scope) verbessert werden sollen und welche Fähigkeiten (Smartness Maturity) die digitalen Zwillinge dafür aufweisen müssen.
Interne Wertgenerierung
Dabei wird oft vernachlässigt, dass digitale Zwillinge auch innerhalb des eigenen Unternehmens viele Prozesse verändern und auf vielseitige Art und Weise Wert generieren können. Im Fokus steht dabei das Management der Lebenszyklusprozesse (Lifecycle), von einzelnen Instanzen bis hin zu Produktportfolios (Value Creation Hierarchy) unter Berücksichtigung historischer, aktueller als auch zukünftiger Zustände und Daten (Generations / Time).
Datenressourcen
Sowohl die interne als auch die externe Wertgenerierung wird jedoch erst durch die Nutzung von entsprechenden Datenressourcen ermöglicht. Hierbei stellt sich die Frage welche Daten (Data Category) aus welchen Quellen (Data Sources) gewonnen werden sollen und wie stark diese aufbereitet und analysiert werden müssen (Data Format).
Anwendung des Modells zur Wertgenerierung
Das Modell bildet das ganze Spektrum an möglichen Datenressourcen und der daraus ermöglichten Wertgenerierung mit digitalen Zwillingen innerhalb und ausserhalb des eigenen Unternehmens ab. Durch die jeweils 3 Achsen mit wiederum 3 Spezifikationen können in jeder der 3 Dimensionen (Würfel) insgesamt 27 Anknüpfungspunkte für die Innovation mit digitalen Zwillingen unterschieden werden, welche für die Wertgenerierung mit digitalen Zwillingen in Frage kommen.
Für Unternehmen ist es jedoch nicht das Ziel, alle 81 im konzeptionellen Referenzmodell abgebildeten Anknüpfungspunkte umzusetzen, sondern sinnvolle Kombinationen zu ermitteln, die mit im Verhältnis möglichst optimalem Aufwand hinsichtlich der Datenressourcen effizient und effektiv interne und externe Werte schaffen. Die so generierten Werte entstehen durch einen kooperativ geschaffenen digitalen Zwilling, der ein dynamisches Verhältnis zwischen Anbieter und Nachfrager kreiert – und dadurch zu einem kaum replizierbaren Wettbewerbsvorteil führt.
Ein Beispiel wäre «predictive maintenance» also die proaktive Wartung physischer Güter aufgrund datenbasierter Vorhersagen. Hierbei wird externer Wert generiert durch Steigerung der Verfügbarkeit (Availability) mittels Kontrolle (Control) eines IoT-fähigen Assets (Connected Product). Aber nicht nur der Besitzer dieses Assets profitiert von dieser Anwendung, auch intern entsteht Wert für das Unternehmen, da die Prozesse innerhalb der Nutzungsphase (Middle of Life / MoL) des Assets (Instanz) auf Basis vergangener, aktueller und zukünftiger Zustände (Past, Present, Future) optimal gestaltet werden können. Dazu reicht es in der Regel bereits aus, ein Set an produktbezogenen (Product) IST-Daten aus dem Asset (Thing) mit überschaubaren Mitteln aufzubereiten (Structured) und mit den SOLL-Werten aus den internen Systemen (internal Systems) abzugleichen.
Predictive Maintenance kann daher ein geeigneter Einstieg in die Entwicklung eines umfangreicheren digitalen Zwillings sein, der zu einem späteren Zeitpunkt weitere Datenkategorien (Context oder Customer) aus zusätzlichen Quellen (external Systems) verwendet, um nicht nur Dashboards mit strukturierten Daten zu visualisieren, sondern daraus Aktionen (interpreted Data) zur Generierung zusätzlicher interner und externer Werte ableitet.
Ausblick
Die Möglichkeiten zur Wertgenerierung mit digitalen Zwillingen sind sehr umfangreich und können je nach Unternehmen und Anwendung sehr unterschiedlich ausfallen. In weiteren Beiträgen werden wir die drei zentralen Dimensionen der internen und externen Wertgenerierung als auch der Datenressourcen vertieft darstellen und deren Zusammenspiel anhand konkreter Beispiele erläutern.
Das in diesem Beitrag vorerst oberflächlich vorgestellte Konzept wurde im April 2020 im Rahmen der «International Conference on Information Science and Systems» publiziert und ist hier frei verfügbar.
Das Modell wird zudem kontinuierlich hinsichtlich des Einsatzes in der Praxis optimiert, wir freuen uns daher über jegliches Feedback oder gar die Kontaktaufnahme zwecks Gedankenaustauschs hinsichtlich konkreter Anwendungen und deren praktischen Umsetzung.
Autoren & Kontakt
Linard Barth ist Wissenschaftlicher Mitarbeiter, Projekt- und Studiengangleiter am Product Management Center der ZHAW. Seine Interessen gelten in erster Linie dem Zusammenspiel einzelner Elemente in grösseren Systemen und wie diese konsistent nachhaltig funktionierend ausgerichtet werden können. Dazu erforscht er den Einfluss von Internet of Things, Smart Connected Products und Digitalen Zwillingen auf Business Modelle und Value Propositions. Als ehemaliger Gründer schlägt sein Herz insbesondere für Start-Ups, Entrepreneure und innovative Firmen, welche die genannten Konzepte in der realen Welt umsetzen und berät diese in unterschiedlichen Projekten. Nebenbei leitet er den Studiengang CAS Pricing & Sales, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Dr. Matthias Ehrat ist Dozent, Projektleiter und Start-up Coach am Product Management Center der ZHAW. Bereits seit seiner Ausbildung an der Eidgenössischen Technischen Hochschule (ETH) und der Universität St. Gallen (HSG) schlägt sein Herz für technologiegetriebene Innovationen. Durch langjährige Erfahrungen in verschiedenen Positionen im industriellen Anlagenbau konnte er sich ein breites Wissen im Betriebsmanagement aneignen. Er hält selbst mehrere Patente und berät Start-ups bezüglich den Schutzmöglichkeiten und der Anmeldeverfahren ihrer technologischen Entwicklungen. Nebenbei leitet er den Studiengang CAS Industrial Product Management, ein Weiterbildungsangebot des Instituts für Marketing Management der ZHAW.
Barth, L.; Ehrat, M.; Fuchs, R. & Haarmann, J. (2020). Systematization of digital twins : ontology and conceptual framework. In: ICISS 2020 : Proceedings of the 2020 The 3rd International Conference on Information Science and System. 3rd International Conference On Information Science And Systems ICISS 2020, Cambridge, UK, 19-22 March 2020. New York: Association for Computing Machinery. S. 13-23. Verfügbar unter: https://doi.org/10.1145/3388176.3388209
Neueste Kommentare