INDUSTRIE 4.0 CHANCEN UND RISIKEN FÜR DEN MITTELSTAND

Transkript

1 INDUSTRIE 4.0 CHANCEN UND RISIKEN FÜR DEN MITTELSTAND Prof. Dr.-Ing. Thomas Bauernhansl 25. April

2 Wandel der Produktarchitektur aufgrund von steigender Vernetzung und Personalisierung Offene Architekturen in Verbindung mit cyber-physischen Systeme legen die Basis für Big Bang Disruptions Vernetzungs grad cyber-physisch mechatronisch mechanisch kom pliziert einfach kom plex Minimale Komplexität bei Maximum an Personalisierung und Skaleneffekten Kunde beteiligt sich am Personalisierungsprozesses Innovationsfokus: Eco System, personalisierte Assistenz und HMI Erfolgsfaktor: Offenheit Massenware standard individualisiert regionalisiert, personalisiert Pers onalis ierungs grad Quellen: Wildemann, H.: Wachstumsorientiertes Kundenbeziehungsmanagement statt König-Kunde-Prinzip; Seemann, T.: Einfach produktiver werden Komplexität im Unternehmen senken; Bildquellen: apple.de 3

3 Bausteine der vierten industriellen Revolution Vernetzung und Rechenleistung öffnet neue Gestaltungs- und Optimierungsdimensionen für Wertschöpfungssysteme (Vertikale Integration) Infras truktur (physisch, digital) Cyber-physisches System Produktlebens zy klus (wertschöpfend = personalisiert + nachhaltig) Physische Systeme (handeln, messen, kommunizieren) Zusammenarbeit Reflektion Digitaler S chatten (Echtzeitmodell) Trans aktion S oftw arediens t (machine-skills, Apps, Plattformdienste) Interaktion Cloudbas ierte Plattform en (Privat, Community, Public) Pres kription Analy tik (Big Data/maschinelles Lernen) Kom m unikation Internet of Ev ery thing (Menschen, Dienste, Dinge) Menschen (entscheiden, gestalten, kommunizieren) 4

4 Aufbau von Ecosystems Integrierte Gestaltung von Front und Back End Back End Fokus Wertschöpfung Fokus Positionierung Front End Wertschöpfungssystem Ecosystem Produktionsnetzwerk Fabrik X Prosumer 5

5 Business Ecosystems Farmnet 365 eine Initiative aus dem Landmaschinenbau Pilotprojekt 2013/2014 Digitalisierung der Landwirtschaft zunächst durch Vernetzung der Landmaschinen Auswertung der Kundendaten zur Optimierung des gesamten landwirtschaftlichen Betriebs durch Serviceapplikationen Bereitstellung der Applikationen durch Partner aus verschiedenen Branchen auf der Online-Plattform von Farmnet Speicherung der Daten auf der Plattform als zentraler Zugriffsort Mittlerweile: Ecosystem mit 15 Partnern rund ums Farmmanagement (u. a. Allianz, GEA, Horsch) Qualitätsdaten für Verkauf Mengendaten für Silomanagement Datenauswertung ( Big Data ) Wegoptimierung Nachhaltigkeit vs. Schnelligkeit Autonomes Fahren LTE Sensoren Landwirtschaftsbetrieb Plattform Daten über Wetter, Position der Maschinen, Erntequalität, Bodenbeschaffenheit LTE Sensoren Quelle: Farmnet 365 6

6 Die Basis: Rechenleistung und Vernetzung Moore und Metcalfe behalten recht und bestimmen die Möglichkeiten und Wert eines Unternehmens Vernetzung Metcalfe: Der Nutzen eines Kommunikationssystems wächst mit dem Quadrat der Anzahl der Teilnehmer. Leis tung Moore: Die Rechnerleistung verdoppelt sich alle 18 Monate. Ökosysteme für Smart Business Modelle Transparenz Cyber-physische Systeme Internet der Dinge und Dienste Real time & at run time Everything as a Service Wissen Bildquellen: wikipedia.de, ibm.com, abcnews.com 7

7 Kernthesen für Wertschöpfungsmodelle der Zukunft Optimale Verteilung der Wertschöpfung im Ecosystem (Prosumer, horizontale Integration) führt zu niedrigen Komplexitätskosten und hohen Margen. Optimale Verteilung der Funktionalitäten (Services) in der cyber-physischen System-Architektur (Cloud vs. Fog, vertikale Integration) führt zu Skaleneffekten und hoher Funktionsadaptivität entlang des Lebenszyklus. Die massendatenbasierte Vorhersage von Zukünften auf Basis des digitalen Schattens der Realität (Echtzeit, Big Data) legt die Grundlage für hohe Prozessfähigkeit komplexer Systeme. Die Herstellung von personalisierter Hardware durch prozessfähige, generative Fertigung entscheidet über die Wirtschaftlichkeit. Verschwendungsfreie Einbindung der Mitarbeiter durch adaptive und selbstlernende Mensch-Maschine- Schnittstellen (remote und physische Schnittstellen) sorgt für umfassende Akzeptanz im Arbeitssystem. Bildquelle: faz.net, google.de 8

8 Optimierung der Wertschöpfung 9

9 Alle Objekte in der Fabrik werden smart ibin Intelligente Behälter bestellen ihre Befüllung autonom Mit einer integrierten Kamera und im Zusammenspiel mit seiner Cloud zählt der ibin die Teile, die in ihm liegen. Quelle: Fraunhofer IML, Prof. Dr. Michael ten Hompel 10

10 Alle Objekte in der Fabrik werden weitestgehend mobil Beispiel: Audi R8 frei navigierendes FTS (navigation as a service) Quelle: audi-mediaservices.com 11

11 Roboter werden mobil, flexibel und sicher Beispiel: SEW Eurodrive frei navigierendes FTS trägt Roboter für Griff in die Kiste 3D-Kamerasystem ensenso N20 KUKA Agilus Magnetgreifer Sägeabschnitte Punktewolke Kiste mit Sägeabschnitten Mobile Plattform induktive Energieübertragung 12

12 Was, wenn Bin Picking aus der Cloud käme? Vorteil Externalisierung von Fähigkeiten, Services, Wartung Schlanke Roboter-Zelle ( Lean Client ) Zentrale Datensammlung Optimierung durch statistisches Lernen Best-Practice-Lösungen sind verfügbar Planer Fähigkeiten, Services Teile-Modelle Sensoren Aktoren Service Bus Operator Werkstück Portal Systemplanung Part-Teaching Bin-Picking App Objektlokalisierung Aufgaben-/Pfadplanung Objekteigenschaften Bewegungsdaten CAD-Modell 13

13 IT-Architekturen für die Produktion Anwendungsbeispiel Virtual Fort Knox Integrationsplattform AppMES, AppERP, eapp, Devices mos AppStore App 1 App 2 App Development Kit Private or Public Cloud AS1 AS2 mos SOA, WS S1 S2 S3 S6 S4 Manufacturing Service Bus (ESB++) IS1 IS2 IS3 S5 Legende: S Service AS Aggregated Service IS Integration Service CS Cloud Service Equipment CPS1 CPS2 CPS Cyber-Physical-System mos Manufacturing Operating System 14

14 Alle Entitäten der Fabrik haben einen Digitalen Schatten Beispiel: Motion Capturing zur Rückführung der realen Abläufe in die Planungsmodelle 15

15 Herausforderungen im Umgang mit Big Data Perspektivenwechsel Umgang mit komplizierten Zusammenhängen Komplizierte Zusammenhänge werden systematisch analysiert (Kausalität) Dabei wird das komplizierte Geflecht in überschaubarere Einheiten aufgeteilt und Abhängigkeiten untereinander werden untersucht Stichprobenanalyse, deduktives Vorgehen Frage nach dem Warum Umgang mit komplexen Zusammenhängen Komplexe Zusammenhänge werden nicht mehr auf ihre Ursache hin untersucht (Korrelation ersetzt Kausalität) Aus der Gesamtheit der verfügbaren Daten werden Regelmäßigkeiten abgeleitet (Mustererkennung, z. B. Verhaltensmuster von Kunden) Vollständiges Datenbild wird untersucht, induktives Vorgehen Frage nach dem Was 16

16 Smarte Optimierung der Produktivität Beispiel: Automatisierte Erkennung von Abhängigkeiten zwischen Prozessen und Ableiten von Verbesserungspotenzialen Durch Minimalinvasive Prozessbeobachtung mit Kameras ohne aufwendige Systemintegration Merkmalsbasierte Konfiguration und Wiedererkennung von Zuständen in den Videos mittels adaptiver Auswertealgorithmen Vorteile Echtzeitnahe Prozessanalyse mit direkter Zuordnung von Verlustursachen Ermittlung und quantitative Bewertung von Potenzialen zur Prozessoptimierung Ständige Transparenz durch Bereitstellung der Störungen und Anlagenzustände für Bediener und Planer 17

17 Everything as a Service (XaaS) XaaS-Concept Everything as a Service Holistische Serviceorientierung führt zu neuen Wertschöpfungsstrukturen und Ecosystemen Aufgaben Beis piele Value as a Service (VaaS) Personalisierte Dienste zur Bedürfniserfüllung (z.b. Mobilität, Gesundheit) Logistic as a Service (Amazon) Mobility as a Service (Daimler) Assembly as a Service (Foxconn) Modules as a Service (MaaS) Offene Hard- und Softwaremodule zur Komposition personalisierter Dienste Ara modules (Google) Apps (Runtastic) Autos (Local Motors) Plattform as a Service (PaaS) Life Cycle Umgebung & Kommunikation zum wirtschaftlichen Bereitstellen der Soft- und Hardwaremodule App Store (Apple) Produktions-Plattform (emachineshop) Virtual Fort Knox (FhG) Home Applications (First built) Infras tructure as a Service (IaaS) Infrastrukturlandschaft als Basis für Plattformen und zur Bereitstellung von Modulen Cloud Infrastructure (IBM) Mobile Communication (Telekom) Netze (ENBW) 18

18 Unternehmenspotenziale durch Industrie 4.0 Experten erwarten eine Gesamt-Performance-Steigerung von % in der Wertschöpfung Abschätzung der Nutzenpotenziale Pilotprojekt von Bosch, bei dem der gesamte Versandprozess über das werksinterne Logistikzentrum in einem Industrie 4.0-Projekt neu strukturiert wurde. -10 % Milkruns +10 % Produktiv ität -30 % Lagerabbau Quelle: IPA/Bauernhansl, Bosch 19

19 Hemmnisse Industrie 4.0 umzusetzen aus Sicht mittelständischer Unternehmen Gesundes Halbwissen führt zu Fehleinschätzungen Anforderungen an IT-Sicherheit, Datenschutz Hohe Investitionskosten/mangelnde Investitionsbereitschaft Unzureichende Kompetenzen der Mitarbeiter/verfügbare Fachkräfte Rechtliche Unsicherheiten, Urheberrecht Fehlende Transparenz des wirtschaftlichen Nutzen Notwendige Prozesse/ Arbeitsorganisation Fehlende technische oder anerkannte Standards Nicht ausreichender Breitbandanschluss Fehlende Forschung Quelle: u.a. Das IHK-Unternehmensbarometer zur Digitalisierung Wirtschaft 4.0: Große Chancen, viel zu tun, 2014, tecchannel.de/bildzoom/ /1/947033/el_median- 1006F/; Bildquelle: manager-magazin.de 20

20 Wenn der Wind des Wandels weht, bauen die einen Mauern, die anderen Windm ühlen. (chinesisches Sprichwort) 21

21 Erfolgreiche Einführung von Industrie 4.0 Hervorgegangen aus dem erfolgreichen Werk Industrie 4.0 in Produktion, Automatisierung und Logistik Detaillierte Einführung in Industrie 4.0 Zahlreiche Beispiele aus der Praxis Anschauliche Beschreibung der Basistechnologien 12 neue Kapitel, über 800 Seiten Erscheint Oktober 2016 ISBN

22 INDUSTRIE 4.0 CHANCEN UND RISIKEN FÜR DEN MITTELSTAND Prof. Dr.-Ing. Thomas Bauernhansl 25. April