Digitalisierung in Schifffahrt und Hafen Innovationen für die maritime Transportkette

Transkript

1 Digitalisierung in Schifffahrt und Hafen Innovationen für die maritime Transportkette Prof. Dr.-Ing. Carlos Jahn, Fraunhofer-Forum Waterborne - Maritime Industrie 4.0, Hamburg,

2 Gliederung 1 Einführung 2 Projektbeispiele 3 Fazit Folie 2

3 Gliederung 1 Einführung 2 Projektbeispiele 3 Fazit Folie 3

4 Digitalisierung in Hafen und Schifffahrt Einsatz von digitalen Technologien zur Steigerung der Transparenz Vernetzung der Akteure Entscheidungsunterstützung Potenziale Verbesserung von Geschäftsprozessen Synchronisation des Ressourceneinsatzes Entwicklung neuer Geschäftsmodelle Bild oben STM Validation unten MUNIN Folie 4

5 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Big Data Analytics Industrie 4.0 Partner Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. Human- Machine- Interface Folie 5

6 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Industrie 4.0 Partner Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface Folie 6

7 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Industrie 4.0 Partner Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 7

8 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Partner 3 Industrie 4.0 Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 8

9 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory 4 Decision Support Mobile Social Media Contextaware Partner 3 Industrie 4.0 Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 9

10 Gliederung 1 Einführung 2 Projektbeispiele 3 Fazit Folie 10

11 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Industrie 4.0 Partner Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface Folie 11

12 Schiff der Zukunft? Folie 12

13 Projekt MUNIN* (EU) Machbarkeitsstudie und Konzeptentwicklung für autonome Schiffe Bild-Zeitung vom Folie 13 *Maritime Unmanned Navigation through Intelligence in Networks

14 EU-Projekt MUNIN* Neue Prototypen für die autonome Navigation Advanced Sensor Module Elektronischer Ausguck Erkennen von kleinen Objekten Erkennen von Wetterbedingungen Autonomous Navigation System Op. Fallentscheidung Kollisionsverhütung Gewährleistung der Schiffsstabilität Shore Control Center Faktor Mensch Überwachung der Schiffsreise Situationsabhängige Problemlösung Folie 14 *Maritime Unmanned Navigation through Intelligence in Networks

15 DSME* Test Bed für (teil-) autonome Schiffe Komponenten vom Fraunhofer CML Shore Control Center Autonomous Navigation System Folie 15 * Daewoo Shipbuilding and Marine Engineering

16 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Industrie 4.0 Partner Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 16

17 Automation of Knowledge Work Beispiel: Personalbedarfs- und Einsatzplanung Input Output Arbeits- und Ruhezeitenregelungen Reiseplanung mit Hafenfolge In Reederei: Compliance-gerechter Personalbedarf auf Positionsebene pro Schiff Mindestbesatzung Folie 17

18 Automation of Knowledge Work Beispiel: Personalbedarfs- und Einsatzplanung Input Arbeits- und Ruhezeitenregelungen Reiseplanung mit Hafenfolge Mindestbesatzung 100 Schiffe verschiedener Typen, Klassen und Reiseprofile Personen pro Schiff mit unterschiedlichen Qualifikationsprofilen 12 reiseabhängige Schiffsbetriebszustände (Transit, Revierfahrt, Anlegen, ) 26 schiffsbetriebsnotwendige Aufgabetypen (Brückenwache, Lotsenannahme, ) Output In Reederei: Compliance-gerechter Personalbedarf auf Positionsebene pro Schiff An Bord: Compliance-gerechter Einsatzplan für die Besatzung Planabweichungen Folie 18

19 Automation of Knowledge Work Beispiel: Personalbedarfs- und Einsatzplanung Output In Reederei: Compliance-gerechter Personalbedarf auf Positionsebene pro Schiff An Bord: Compliance-gerechter Einsatzplan für die Besatzung Folie 19

20 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory Decision Support Mobile Social Media Contextaware Partner 3 Industrie 4.0 Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 20

21 Aktuelle Informationsquellen Beispiel Anzeige der aktuellen Lage, Start- und Zielhafen, ETA, Kurs und Geschwindigkeit, Tiefgang, Positions- und Routenverlauf (Rückschau) gegen Aufpreis verschiedene weitere Optionen möglich lücken- und fehlerhaft Fokus: Ist-Daten Beispielausschnitt der Schiffsbewegungen der Deutschen Bucht aus MarineTraffic Folie 21

22 Projekt VESTVIND gemeinsam mit Trenz AG VESTVIND = Vessel Traffic Vorhersage Informationsdienst* Analyse der statistischen Zusammenhänge, Basis AIS-Daten und weitere Einflußgrößen, wie Wetter Tide, Strömung Schleusen Verkehrsdichte Verlässliche und unabhängige Verkehrsprognosen bis zu 72 Std. für die deutsche Nord- und Ostsee Automatisierte Berechnungen von Schiffsankünften in Echtzeit mit bedarfsgerechten Anpassungsmöglichkeiten Folie 22

23 Projekt VESTVIND gemeinsam mit Trenz AG VESTVIND = Vessel Traffic Vorhersage Informationsdienst* Präzisere Voraussage von 1 zukünftigen 2 automatisierte Verfolgung in Echtzeit 6 Schiffspositionen Direkte Arbeitsentlastung durch -> Definierte Alarme bei Abweichungen Vorausschauende Wartezeitsteuerung 3 Zusätzliche Erkenntisgewinne für die Verkehrssicherheit Frühzeitige Identifikation von potentiellen Gefahrensituationen 4 Bessere Ausnutzung von Ressourcen 5 Verbesserte und sicherere Zu- und Ablaufsteuerung der deutschen Seehäfen 7 Vorausschauende Ressourcenplanung Folie 23

24 Digitalisierung: vielfältige Aspekte Business Activity Monitoring Internet of Things Smart Factory 4 Decision Support Mobile Social Media Contextaware Partner 3 Industrie 4.0 Big Data Analytics Cyber- Physical Systems Connectivity Cloud Smart Devices Autonomes Fahren Enterprise Automation of Knowledge Work Machine-to- Machine Com. 1 Human- Machine- Interface 2 Folie 24

25 LKW Wartezeitprognosen für logistische Knoten AiF-Projekt Motivation Häufige Lastspitzen in der Abfertigung und stochastische Betriebs- und Umwelteinflüsse führen zu stark schwankenden Lkw-Ankünften bei logistischen Knoten. (vgl ) Spediteure/Trucker: hoher Anteil unproduktiver Betriebszeiten Logistische Knoten: erhöhter Geräte- und Personaleinsatz Folie 25

26 LKW Wartezeitprognosen für logistische Knoten Gängige Systeme Kamerasysteme Service von Knoten an Kunden Momentaufnahmen Update alle paar Minuten Blick auf Einfahrtsbereich Container Terminal Altenwerder (HHLA) Container Maintenance Repair Hamburg GmbH Probleme Zeigen nur Ausschnitt Erfahrung erforderlich Störanfällig? Hamburger Container Service GmbH Quellen: Abgerufen am Dienstag den Folie 26

27 LKW Wartezeitprognosen für logistische Knoten Zielsetzung Wartezeiten (min/h) Verbesserte Tourenplanung Spediteure Prognose Ankunftsraten (Lkw/h) Verbesserte Personal &Geräteeinsatzplanung Geglättete Lastspitzen Logistischer Knoten Weniger Wartezeiten & Mehr Effizienz Freiwillige Lkw Vormeldung Folie 27

28 LKW Wartezeitprognosen für logistische Knoten Prognose-Ergebnisse Anzahl Minuten Wartezeit / h Montag Dienstag Mittwoch Donnerstag Ankünfte / h Historische Daten eines logistischen Knotens: Abfertigungsdaten von 5 Betriebsmonaten Montag Dienstag Mittwoch Donnerstag Methoden: klassische Ansätze Neuronale Netze Prognose Ø Tatsächlich Ø Min./Max Prognose Tatsächlich Prognose Cont.-Repa. Jetzt Folie 28

29 LKW Wartezeitprognosen für logistische Knoten Entscheidungsunterstützung Brauchen wir morgen zusätzliche flexible Arbeitskräfte? Sollten wir das Terminal morgen gegen Mittag oder Abend anfahren? Sollten wir den Anmeldeprozess verbessern? Wartezeit Entscheidung: Ja Entscheidung: ab 18 Uhr Entscheidung: (Ja) Folie 29

30 Gliederung 1 Einführung 2 Projektbeispiele 3 Fazit Folie 30

31 Fazit Digitalisierung Der Innovations- und Produktivitätstreiber in Schifffahrt und Hafen mit vielfältigen Anwendungsfeldern Einsatz von digitalen Technologien zur Steigerung der Transparenz Vernetzung der Akteure Entscheidungsunterstützung Potenziale Verbesserung von Geschäftsprozessen Synchronisation des Ressourceneinsatzes Entwicklung neuer Geschäftsmodelle Projektbeispiele Autonomes Fahren Automation of Knowledge Work Big Data Analytics Decision Support Folie 31

32 Vielen Dank für Ihre Aufmerksamkeit! Prof. Dr.-Ing. Carlos Jahn Tel Folie 32

33 Kontakt Prof. Dr.-Ing. Carlos Jahn Fraunhofer-Center für Maritime Logistik und Dienstleistungen CML Am Schwarzenberg-Campus 4, Gebäude D Hamburg Institut für Maritime Logistik Technische Universität Hamburg-Harburg Tel.: / Fax: / carlos.jahn@cml.fraunhofer.de Folie 33