Lessons Learned Von geretteten Projekten zum ... Essenz von Industrie 4.0/IIoT/IoT 2 Erfordert...

download Lessons Learned Von geretteten Projekten zum ... Essenz von Industrie 4.0/IIoT/IoT 2 Erfordert Kernfأ¤higkeiten:

of 21

  • date post

    12-Jun-2020
  • Category

    Documents

  • view

    0
  • download

    0

Embed Size (px)

Transcript of Lessons Learned Von geretteten Projekten zum ... Essenz von Industrie 4.0/IIoT/IoT 2 Erfordert...

  • 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.

    https://www.reuters.com/brandfeatures/venture-capital/article?id=40522

  • 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

    Plattform Her-

    steller A

    IoT

    Plattform

    Dispo-

    sition Werkhof

    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

    Hersteller C

    Hersteller B

  • 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 –

    ab