Wie Analytics-getriebenes Product Engineering Design und Performance verbessert

Ein Blick darauf, wie Systemsimulation und IoT-Fähigkeiten den Daten-Feedback-Loop schließen können.

Nach dem Verkauf eines Produkts erhalten Produktentwickler typischerweise sehr wenig Feedback über dessen Leistung im Feld. Das muss nicht mehr so sein. Mit der richtigen Lösung können Produktfertiger Systemsimulationen und IoT-Fähigkeiten kombinieren, um Produktdesigns zu verbessern und dann Lösungen basierend auf Simulationen realer Lastfälle auszurollen.

RTInsights sprach kürzlich mit Jasmin Klein, Global Portfolio Development, und Christian Binkowski, Cloud Solution Manager, von Siemens, um die Vorteile eines Daten-Feedback-Loops zwischen Produktentwicklern und dem Gerät im Feld zu diskutieren – für Echtzeit-Produktoptimierung, Digital Twins und mehr. Hier eine Zusammenfassung des Gesprächs.

RTInsights: Was ist Analytics-basiertes Product Engineering?

Klein: Analytics-basiertes Product Engineering ermöglicht es Nutzern, Live-Performancedaten eines Produkts oder einer Maschine im Feld in das Produktsimulationsmodell zurückzuspielen, um das Produktdesign zu verbessern. Mit den Live-Produktionsdaten, die in das Modell zurückgespeist werden, wird ein Closed-Loop Digital Twin erstellt.

Dieser Digital Twin kann dann genutzt werden, um das Produktdesign aktiv zu verbessern. Wenn ein Produkt Probleme bekommt, kann man eine präzise Simulation mit den Live-Daten durchführen und anfangen, die Grundursache jedes Problems zu identifizieren. Sind die Probleme vollständig verstanden, können erforderliche Änderungen im Design für zukünftige Iterationen vorgenommen werden. Die Auswirkungen der Änderungen können auch präzise verifiziert werden, indem das präzisere Simulationsmodell mit den echten Daten der Maschine genutzt wird.

RTInsights: Welche Vorteile bietet Analytics-basiertes Product Engineering?

Klein: Mit präzisen Simulationen können Designer nicht nur bessere Entscheidungen treffen, sondern es reduziert auch Zeit und Kosten, um neue Designs in den Markt zu bringen. Der Bedarf an Prototyping wird nahezu eliminiert. Unternehmen können nutzerzentrische Produkte entwickeln, die Kundenbedürfnisse erfüllen und Kundenzufriedenheit steigern. Sie lernen aus Feldproblemen, indem sie echte Daten nutzen, Fehler simulieren und das Design verbessern. So können sie Produktprobleme eliminieren, Zeit und Geld sparen durch reduzierte Produktvalidierungszeit und Over-Engineering vermeiden. Zusammen verbessert das die Gesamteffizienz.

RTInsights: Welche Lösung bietet Siemens in diesem Bereich?

Binkowski: Siemens hat MindSphere®, die Industrial-IoT-as-a-Service-Lösung, die Produkte, Maschinen und Systeme aller Art und Marken verbindet. Diese Lösung sammelt, aggregiert, verwaltet und analysiert Performancedaten. Für die MindSphere Analytics-Based Product Engineering Lösung ist MindSphere nahtlos mit Simcenter™ Amesim™ Software über einen eigens entwickelten Connector integriert. Die MindSphere-Anwendung nutzt diesen Connector, um Live-Performancedaten zurück in die Simulationsmodelle zu pushen.

(Simcenter Amesim Software simuliert alle Arten mechatronischer Systeme. Sie kommt mit zahlreichen Bibliotheken und Lösungstemplates für Maschinen, Autos, Batterien, Schiffe und mehr.)

Sobald eine Verbindung zwischen beiden Systemen besteht, kann man die Zeitreihendaten auswählen, die man untersuchen will. Wenn es z. B. ein Problem im Feld gibt, möchte man vielleicht 20 Minuten vor oder um den Vorfall herum simulieren. Man wählt den Zeitrahmen in MindSphere, und MindSphere generiert ein Simulationspaket und überträgt es an Simcenter Amesim. Dann wird die Simulation ausgeführt, und sobald das erledigt ist, kann man die Simulationsergebnisse in MindSphere betrachten.

RTInsights: Können Sie Use Cases und Erfolge nennen?

Klein: Ich fange mit einem allgemeinen Use Case an. Heute bekommt der Produktmanager in den meisten Fällen keinerlei Informationen über die Leistung der Maschine im Feld, um das Produktdesign zu verbessern. Wenn es ein Problem gibt, wird der Support kontaktiert, und das Problem wird vor Ort beim Kunden behoben. Die Informationen vom Support gelangen meist nicht zum Produktentwickler oder erst viel später. Aufgrund dieser Lücken muss der Produktentwickler ein hypothesengetriebenes Design entwickeln, was zu Over- oder Under-Engineering führt. Am Ende werden Kundenanforderungen nicht erfüllt oder nicht in Zukunft erfüllt werden.

Der Analytics-basierte Engineering-Ansatz von MindSphere bietet genau diesen Feedback-Loop, um Produktdesign zu ändern und die Feldperformance zu verbessern.

Binkowski: Ein weiteres Beispiel: Optimierung der Performance eines bestehenden Produkts. Diese Lösung bietet die Möglichkeit, bestimmte Parameter am Simulationsmodell direkt in MindSphere anzupassen. Wenn ein Produkt z. B. mit verschiedenen Geschwindigkeiten betrieben werden kann, kann man testen, welche Geschwindigkeit optimal ist. Mit dem aktualisierten Simulationsmodell können Parameter getestet werden, wobei die aktuellen Linienbedingungen verwendet werden.

Klein: Schaut man sich einen Kunden an, der Maschinen verkauft, die an eine IoT-Lösung wie MindSphere angebunden sind, kann dieser kontinuierlich Daten sammeln, jederzeit Performance-Insights erhalten und dann ein Problem mithilfe dieser Informationen simulieren, um das Produktdesign zu verbessern.

Der Produktentwickler kann direkt aus den Live-Daten der Maschine lernen und Schlüsse ziehen. Am Ende stellt das sicher, dass der Produktentwickler ein nutzerzentrisches Produkt entwickeln und die Kundenzufriedenheit steigern kann.

Ein Beispiel ist Konecranes, ein finnisches Unternehmen, spezialisiert auf Herstellung und Service von Kränen und Hebezeugen. Es hat eine digitale Lösung implementiert, um den Produktentwicklungsprozess zu beschleunigen und Produkt- und Performancedaten zusammenzuführen.

Das Unternehmen nutzt MindSphere und Teamcenter®, Siemens’ Digital Lifecycle Management Software, um den Digital Twin zu nutzen, um die Anzahl der benötigten Prototypen zu reduzieren. Das hilft ihnen, Effizienz zu steigern und Produktvalidierungszeit zu verkürzen. Durch Implementierung einer digitalen Innovationslösung beschleunigten sie den Produktentwicklungsprozess und steigerten die Zusammenarbeit zwischen Simulations-Test- und Engineering-Organisationen in ihrem Unternehmen.