DIGITAL-TWIN-IMPLEMENTIERUNGEN ZUR PLANUNG VON LOGISTIKSYSTEMEN

Transkript

1 DIGITAL-TWIN-IMPLEMENTIERUNGEN ZUR PLANUNG VON LOGISTIKSYSTEMEN Dr. Ingmar Schüle Simon Zarnitz, M.Sc. April 2021

2 Agenda I. Einführung: Planung von Logistiksystemen mit DT II. Herausforderungen von Schaeffler III. Praxisbeispiel 2

3 1 EINFÜHRUNG

4 Digitale Zwillinge I Effiziente Planung von Logistiksystemen Planung von Logistiksystemen Digitaler Zwilling Potentiale Strukturierung, Dimensionierung und Optimierung der Prozesse, Netzwerke und Ressourcen Ziel ist die Erfüllung zukünftiger Leistungsanforderungen Der digitale Zwilling kann Informationsströme und Datenqualität zur Planung von Logistiksystemen verbessern Netzwerkplanung Ressourcenplanung Bestandsoptimierung Routenplanung/ Transportauslastung Vision: Automatisierte Planung DEFINITON: DIGITALER ZWILLING Der digitale Zwilling ist ein digitales, dynamisches Simulationsmodell eines physischen Gegenstandes, Prozesses oder eines Systems, welcher einen langfristigen, bidirektionalen Austausch von Daten rechtzeitig gewährleisten kann, um aus jenen faktenbasierte Handlungsempfehlungen abzuleiten. Quellen: Gudehus, 2006/ T. Ambra; C. Macharis, 2020/ Korth et al. 2018; Definiton von FG Logistik Gerlach und Zarnitz

5 Scopes I Digitale Zwillinge und Ihre Anwendungsbereiche und Herausforderungen Entscheidend für die Planung ist das kontinuierliche Durchlaufen von Daten und Informationsströmen innerhalb des Netzwerkes. Hierfür stellt der DT eine vielversprechende Technologie dar Herausforderungen für den DT sind: Datenaustausch zwischen Akteuren, unvollständige und inkonsistente Daten, effiziente Verarbeitung von Informationen Die Mehrheit der aktuellen Literatur von DT zur Planung fokussiert sich auf Produktionsplanung (Bsp. Materialflussanalysen, Optimierung Taktzeiten, Durchlaufzeiten (DLZ)) In der Logistik ist der Digitale Zwilling unterrepräsentiert, obwohl der Digitale Logistik Zwilling mit einer ganzheitlichen, systemischen Betrachtung, des Netzwerkes zur Bewältigung aktueller Herausforderungen in der Logistik sein kann. Quellen: Gudehus (2012)., S. 598., Dohrmann/Gesing, B. and Ward, J (2019).

6 Video I Daten sind die Grundlage für das DT-Simulationsmodell

7 2 HERAUSFORDERUNGEN VON SCHAEFFLER

8 Kurzvorstellung I Schaeffler Schaeffler Globaler Automobil- und Industriezulieferer >80k Mitarbeiter (Hauptsitz Herzogenaurach) #2 bei neuen Patenten in Deutschland (2019) Schaeffler Automotive Aftermarket Versorgung von Werkstätten mit Reparaturlösungen >30k verschiedene Produkte, weltweites Supply Chain Netzwerk Ca. 10 Millionen Lieferpositionen pro Jahr 3 Divisionen: Automotive, Industrie, Automotive Aftermarket 9

9 Frage 1 I Wie verbessert man die Liefertreue? Herausforderungen Lösungsansätze Unsere Kunde wollen die bestellte Ware in der Regel in <10 Tagen geliefert bekommen Hohe Sicherheitsbestände (Nachteil: hohe Kosten durch Kapitalbindung und benötigte Lagerkapazität) Unsere Wiederbeschaffungszeit vom Zulieferer liegt im Schnitt bei 90 Tagen Forecasting: Können wir schon vorab wissen, was die Kunden in der Zukunft bestellen werden? Wir müssen die Ware vorab verfügbar haben T h e m o s t r e l i a b l e w a y t o f o r e c a s t t h e f u t u r e i s t o t r y t o u n d e r s t a n d t h e p r e s e n t. J o h n N a i s b i t t 10

10 Frage 2 I Aber wie sagt man die Zukunft voraus? Status Quo: Prognosen basierend auf statistischen Auswertungen der Vergangenheit Finde Muster im Bestellverhalten der Kunden / Saisonalität / Die Welt ändert sich immer schneller! (z.b. Brexit, Amazon, Corona, ) Wie geht man vor, wenn sich die Zukunft nicht mehr wie die Vergangenheit verhält? Neuer Ansatz: Forecasting mit neuen Daten und Machine Learning Wie verändern sich Märkte? / Was für Auswirkungen haben aktuelle Megatrends? / Welche Daten sind nützlich? Kann Machine Learning die komplexen Zusammenhänge verstehen und für uns nutzbar machen? Voraussetzungen: IT/ Technik (Cloud!), viele Daten (in guter Qualität), Know-How 11

11 Next Steps I Offene Frage Können wir mit genug Systemverständnis und neuen Daten nicht nur das Kundenverhalten sondern auch unsere gesamte End-to-End Supply Chain vorhersagen? Prozesse Zuliefererdaten Kundendaten Bestände 12

12 3 PRAXISBEISPIEL/ PROJEKT

13 Praxisbeispiel I Hintergrund und Zielvorstellung HINTERGRUND ZIEL Optimierung der kritischen Erfolgsfaktoren Kosten, Zeit, Flexibilität und Qualität Hierbei werden im Schaeffler Automotive Aftermarkt exemplarisch die datentechnischen Voraussetzungen eines digitalen Logistik Zwillings zur Planung einzelner Parameter untersucht Das Delivery Service Level (DSL) soll als strategische Kennzahl verbessert werden Das DSL* soll in Zukunft datenbasiert geplant werden können Hierfür müssen Zusammenhänge in einem komplexen Umfeld wie dem Automotive Aftermarkt verstanden werden Methoden können hierfür u.a. Expertenwissen und statistische Auswertungen sein Quellen: Straube (2012), S *DSL: Pünktlich gelieferte Menge/ Bestellte Menge Erfüllung des Kundenwunschtermins

14 Praxisbeispiel I Einflussfaktoren auf das Delivery Service Level M I K R O Ö K O N O M I S C H E Kundenrückstände Lieferantenrückstande Auftragseingänge Bestände M A K R O Ö K O N O M I S C H E Inflation in Ländern BIP Weltwirtschaftkrise DSL G E O G R A F I S C H E E I N F L U S S F A K T O R E N Administrative Herausforderungen Distributionsprobleme Transportlogistische Herausforderungen P R O D U K T P O R T F O L I O Produktgruppen mit unterschiedlicher Komplexität Das Delivery Service Level (DSL) wird in einem komplexen Umfeld von diversen Faktoren beeinflusst. Ziel ist es diese Daten zu bündeln, um kurzund langfristige Bottlenecks zu verstehen (z.b. Suezkanal), daraus die Planung der DSL abzuleiten, um Handlungsempfehlungen geben zu können. 15

15 Projekt I Schaeffler x Technische Universität Berlin Team Prof. Dr.-Ing. Frank Straube Fachgebiet Logistik Technische Universität Berlin - Leitung Fachgebiet Logistik Projektförderer Phone: straube@logistik.tu-berlin.de Projekt Simon Zarnitz Fachgebiet Logistik Technische Universität Berlin - Wissenschaftlicher Mitarbeiter Entwicklung eines Gestaltungsmodells für Digital- Twin-Implementierungen zur real-time Planung und Steuerung von Logistiknetzen Phone: zarnitz@logistik.tu-berlin.de 16

16 Vielen Dank für Ihre Aufmerksamkeit! SIMON ZARNITZ TECHNISCHE UNIVERSITÄT BERLIN STRASSE DES 17. JUNI BERLIN INGMAR SCHÜLE SCHAEFFLER AG PAUL-EHRLICH-STRASSE LANGEN 17

17 Literatur Dohrmann, K.; Gesing, B. and Ward, J (2019): Digital Twins in Logistics. In: DHL Customer Solutions. Fachgebiet Logistik, Gerlach und Zarnitz (2021): diverse (noch) unveröffentlichte Dokumente Gudehus, Timm (2006): Dynamische Disposition. Strategien zur optimalen Auftrags- und Bestandsdisposition. 2. Aufl. Berlin, Heidelberg: Springer. Gudehus, Timm (2012): Logistik 1. Berlin, Heidelberg: Springer Berlin Heidelberg. Korth, Benjamin; Schwede, Christian; Zajac, Markus (2018): Simulation-ready digital twin for realtime management of logistics systems, S , zuletzt geprüft am Straube, Frank (2012): e-logistik. Ganzheitliches Logistikmanagement. Berlin, Heidelberg: Springer. 18