Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Industrie 4.0/IIoT/IoT -
was ist die Essenz?
Typische Hürden am
Beispiel Baumaschinen-
einsatz?
KEFs zur Überwindung
von HürdenLessons Learned –
Von geretteten Projekten zum
Praxisleitfaden für Industrie 4.0
Projekte
Serge Müller + Dr. Roland Klüber
Source: http://www.it-production.com/
Lessons learned –
Wie sieht ein Praxis-
leitfaden aus?
Essenz von Industrie 4.0/IIoT/IoT
2
Erfordert
Kernfähigkeiten:
▪ Komplexitäts-
beherrschung
▪ Schnelles Lernen
▪ Management von
Interdisziplinarität
IoT
IIoTIndustrie 4.0
Wesentliche
Treiber:
▪ Vernetzung (M2M)
– Cyber-physische
Systeme
▪ Mensch-Maschine-
Interaktion
▪ Datenmehrwert
▪ Rechnerleistung ↑& Kostenverfall
▪ Artificial
Intelligence
Challenges IIOT/Industrie 4.0
Häufige Hürden aus der Praxis:
▪ Vielzahl von Produkt-/Service-
angeboten (“jeder Hersteller erfindet
seine eigene Welt mit inkompatiblen
Plattformen neu”1)
▪ Anwender starten mit unklarer
Zielsetzung Industrie 4.0 Projekte
(“Wir machen einen Piloten weil
wir bei Ind. 4.0 Dabeisein müssen”)
▪ Zuviele unkoordinierte Initiativen bei
Konzernen
▪ Fehlende Involvierung der relevanten
Partner
▪ Wenig konkrete Erfahrungen und
Ergebnisse (“alles im Fluss”)
3
1 Source: https://www.reuters.com/brandfeatures/venture-capital/article?id=40522; https://www.postscapes.com/internet-of-things-platforms/ etc.
SwissICT FG Industrie 4.0 hat 10 reale Projekte
diskutiert und 4 detailliert analysiert
▪ Vom Hersteller zum Anbieter von Pumpdienstleistungen
▪ Mehrwertdienstleistung mit Bahnwaggons
▪ Interoperabilitätsmehrwert im Hausbau
▪ Standzeiten- und Nutzungsoptimierung
▪ Dispenser: Intelligenter Auftrag von Klebstoffen
▪ Fabrikmaschinendaten: Verwendung von ungenutzten Daten
Erkenntnis: Alleinige Techniksicht führt oft nicht zum Erfolg
4
…
Baumaschinen
Anbindung
Problemstellungen
Verfügbarkeit und Umgang mit Maschinen auf Baustellen
Primär
▪ Effektive Einsatzdauer entspricht durchschnittlich nur 20% der tatsächlichen Verfügbarkeit
Sekundär
▪ Schädigende Handhabung und Überbelastung von Maschinen ohne Möglichkeit die Verursacher
zu eruieren.
▪ Wartungszyklen automatisieren
IOT Datennutzung erfordert Vorleistungen
Hersteller A
Sensorik Data
Lake
Hersteller B
Sensorik Data
Lake
Hersteller C
Sensorik Data
Lake
Hersteller A
Bewertete
Daten
Hersteller B
Bewertete
Daten
Hersteller C
Bewertete
Daten
Konsument
Homogenisierte Daten
Rationalisieren
Migrieren
Kognitives
System
Analyse
Tool
Daten haben je nach Verwendung und
Hersteller andere Bedeutung
Um Daten zu rationalisieren benötigt es
Herstellerwissen
-
Bewertete Daten haben im einzelnen
Anwendungsfallaussagekraft
Daten müssen in ein gemeinsames Modell
transformiert werden
Mit homogenen Daten lassen sich klare
Aussagen erarbeiten
Lösungsansatz
Import auf eigene IoT-Plattform & Einsatz eines Sensorpakets
Entwicklung Sensorpaket für Echtzeitdaten
(z.B. On/Off, GPS) (für alte Maschinen)
Anbindung der Hersteller IoT Plattformen
Transformieren & rationalisieren der Daten
auf eigener Plattform
Spezifische Datensets für Anwendungen
zur Verfügung stellen
AMQP: Advanced Message Queuing
LPN: Low Power Network
Her-
steller B
IoT
PlattformHer-
steller A
IoT
Plattform
Dispo-
sitionWerkhof
QM
Cognitive
Maintenance
Data Lake
LPN
AMQP
AMQP
Rest
AMQP
LPN
AMQP
IoT
Sensor-
paket
Erwarteter Business Case
▪ Steigerung der Auslastung von Maschinen
(starke Reduktion von Kosten durch weniger Zumietung von Maschinen)
▪ Präzise Einsätze
(Planbarkeit für Logistik und Werkhof)
▪ Senkung der Wartungskosten
(Frühzeitige Intervention und Nachweis der Handhabung)
Implementierungshürden
1. Hersteller stellen unterschiedliche Daten und verfolgen eigene Ansätze
2. Kosten für den Datenzugang und LPN Datenübertragung
3. Rationalisierung der Daten erfordert maschinenspezifisches Wissen und zeitlichen Kontext
Problem mit Hersteller-getriebenen IoT Plattformen
▪ Verfügbare Daten haben wenig Gemeinsamkeit
(Je nach Komponente haben Messwerte eine andere Bedeutung)
Hydraulischer Druck A != B
▪ Unterschiedliche Analysen und Schnittstellen Hersteller A
HerstellerC
HerstellerB
Angepasstes Vorgehen
▪ Fokus auf IoT Sensorpaket für direkte Nutzensteigerung und
Nachvollziehbarkeit der Kosten
– Nutzung: On/Off & Zeitpunkt
– Standort: GPS
– Allgemeine Sensorik: Vibration, Temperatur,
Störungsmeldungen
– Echtzeit: LPN Sender
▪ Sistierung der Integration von Hersteller Plattformen, dafür
Kollaboration mit Herstellern zur Erarbeitung einer effizienten
Grundlage
– Einheitliche Verfügbarkeit von rationalisierten Daten
(z.B. Belastung Hydraulik: 95%, Betriebsstunden
bis Service: 212h, Aktuelle Temperatur Hydraulik: 106%)
– Hersteller sollen Schnittstellen zu spezifischen kognitiven
Maintenance Systemen schaffen. (Update: CAT Connect)
– Einbringen der Bedürfnisse in den Austausch mit dem
Mitbewerbern
On hold
On hold
On hold
▪ Mehr angewandte Forschung –
weniger theoretische
▪ Mehr interdisziplinäres Arbeiten –
weniger Fachisolation
▪ Mehr Unternehmensführungskompetenz im Bereich Digitalisierung –
weniger Technologieprofilierung
▪ Mehr kurzzyklische Start-up Mentalität –
weniger klassische top-down
▪ Mehr Synergien mit und zwischen den Verbänden suchen –
weniger “we do it all” Enge Zusammenarbeit von “Best of Breed Teams”
Kritische Erfolgsfaktoren für CH-Industrie 4.0
(SwissICT FG Industrie 4.0)
13
Interoperabilität
Business Case Neues Biz-Ökosystem
Wertschöpfung aus Daten
Souveräne Führungskultur bei Unsicherheiten
1
4 3
2Sprache Inhalt
Ergebnis-
erwartung Teilnehmer
5
Offene Diskussion und Aufbau von verteilten Netzwerk-
Geschäftsmodellen für Biz-Case (Geschwindigkeit)
Geschäftsmodelle müssen für das Geschäftsnetzwerk erweitert werden, damit aus Endkundensicht
ein dauerhaft positiver Business Case entstehen kann*
1. Wert-Treiber: Motivation der Stakeholder (individueller und gemeinsamer [win-win])
2. Wert-Knoten: Wertschöpfungsknoten zwischen Akteuren, Prozessen und Gruppen auf
allen Ebenen
3. Wert-Austausch: Wertfluss zwischen den Knoten (Information, Geld, Ressourcen, Wissen)
4. Wert-Extrakt: Nutzniesser, Lokation und Art der Monetarisierung von Dienstleistungen
Herausforderung: Identifizierung und Überwindung von Hürden und Widerständen
16
* Source Consilis: Adpapted from Mika Westerlund, Seppo Leminen, and Mervi Rajahonka (2014): Semantic Interoperability as Key to IoT Platform Federation
Schneller Aufbau von neuen Wertschöpfungsnetzwerken
– statt “the winner takes it all” Versuch!
Baumaschinen: Ein Player verkauft seine Daten zu teuer
3
IIOT/Industrie 4.0 Ernüchterungszyklus durch
Spielregeländerung überwinden
19
1. Reduzierte Einstiegsbarrieren
2. Selbstverstärkende Netzwerkeffekte
3. Wachstum von Nutzung + Mehrwert
1. Einbindung von weiteren Stakeholdern
2. Ease of use & Engagement design
3. Nutzensteigern (“Datenmehrwert kommunizieren”)
4. Anreizsystem für alle Stakeholder
5. Fehlerkultur und punktuelles Design thinking
1. Technische Limitationen
2. Falsche/fehlende Teilnehmer
3. Zu wenig politisches Momentum
4. „Planning Fallacy“
NETWORK
effect
SISYPHUS
effect
Tipping Point 1
1 Source: Malcom Gladwell (2002) The Tipping Point: How Little Things Can Make a Big Difference, Black Bay Books
Wo setzt Ihr Industrie 4.0 Projekt auf?
Wo sind die grössten Hürden?
20
Source: Consilis (2017)
Industrie 4.0/IIOT Matrix:
Gezieltes Design Thinking hilft…
▪ Machen Sie Kurse –
aber es ist kein Allheilmittel:
1. Explorative Ansätze
waren schon immer da
2. Habt seine Grenzen
Gute Vorarbeit bei Projekt-
scoping und Vorgehenswahl
hat entscheidenden
Erfolgsbeitrag: “Don’t jump
onto conclusions”
21
22
Klein anfangen,
schnell wachsen
(Dominoeffekt)
Source: http://uk.businessinsider.com/how-one-domino-can-topple-a-building-2015-1?r=US&IR=T
Industrie 4.0 Lessons Learned
▪ Richtigen Projektfokus (eher weiter als zu eng)
▪ Interdisziplinäres Team
(Business, IT, Technik, Kunden, Lieferanten)
▪ Daten ”verstehen”
(was, wo, welches Format, Aktualität,
welche Kosten etc.) und “verständlich”
kommunizieren
▪ Hürden überwinden (explorative
Kleinprojekte (MVP oder Teilaspekte)
und Nutzung der “Tipping Points”)
▪ Kommunikation der Herausforderung
und Involvierung von weiteren
Stakeholder (“verteilter Nutzen”)
▪ Souveräne Führung
(“Lernen aus Fehlern”)
23
Gibt es einen Praxisleitfaden?
24
Methoden-
handbuch
▪ KEFs helfen bei Projekt-
definition & -management
▪ Muster und Methoden zum
Erfolg statt “Kochrezept”
1.Schwachstellen Identifi-
zierung mittels IOT-Matrix,
2.Tipping Points Metapher,
3.Verständnis für die Daten
als conditio sine qua non,
4. …
▪ Bewusste partielle Agilität
(Fail fast!), wo erforderlich
▪ Management von verteiltem
Supply Chain Nutzen
Jedes
Unternehmen(snetzwerk)
ist anders!
Wir haben erste Elemente
auf dem Weg zum Erfolg
identifiziert und arbeiten
weiterhin an der
Komplettierung!
Typischer Verlauf explorativer Industrie 4.0 Projekte
25
Entwicklungspfad
Rückschritt Fortschritt
Ziel
E2
Ziel
E3Ziel
E1
E1 = Kick-off E2 = Daten benötigen
Expertenwissen
E3 = LPN
Umsetzung teuer