Echtzeit-Digital-Twins nutzen: Logistikeffizienz steigern

Direct-to-Consumer-Lieferungen sind die Zukunft und werden durch COVID-19 noch wichtiger. Doch Logistikunternehmen kämpfen damit, die Nachfrage inmitten einer Flut von Faktoren zu erfüllen – von sich ständig ändernden Straßenbedingungen bis hin zum Management temperatursensibler Medikamentenlieferungen. Eine leistungsstarke neue Streaming-Daten-Softwaretechnik, sogenannte Echtzeit-Digital-Twins, kann die nötigen Einblicke liefern, um kritische Logistikfragen zu beantworten, unbekannte Variablen zu reduzieren und die Betriebseffizienz zu verbessern.

Die Herausforderung: Datenflut ohne Kontext

Angesichts des schieren Volumens an Streaming-Daten, die von Flotten, intelligenten Lagern und anderen Telemetriequellen stammen, ist es für Logistikmanager eine gewaltige Herausforderung, kritische Erkenntnisse zu extrahieren und potenzielle Probleme in Echtzeit zu identifizieren. Traditionelle Streaming-Analytics-Ansätze wie Open-Source Apache Storm und Flink helfen Managern, Muster in aggregierten Nachrichtenflüssen zu extrahieren. Dennoch können sie diese Informationen nicht in einen Kontext setzen, um ihre Bedeutung zu bewerten und effektive, individualisierte Maßnahmen für jede Datenquelle zu ergreifen.

Diese Lösungen wurden entwickelt, um eingehende Telemetrie durch eine Software-Pipeline zu leiten, Muster von Interesse zu extrahieren, aggregierte Erkenntnisse zu gewinnen und Alarme auszulösen, wenn bestimmte Bedingungen erfüllt sind. Sie verfolgen jedoch nicht den dynamischen Zustand der Datenquellen selbst und ziehen keine Schlussfolgerungen über deren Verhalten.

Zum Beispiel kann Streaming-Analytics hohe Öltemperaturwerte in einer LKW-Flotte erkennen, aber nicht erklären, warum diese Werte auftreten, ob sie auf einen drohenden Ausfall hindeuten und welche spezifischen Maßnahmen ergriffen werden sollen. Dazu muss die Streaming-Analytics-Plattform kontextuelle Informationen über jeden LKW pflegen, um tiefere Einblicke in eingehende Telemetrie zu ermöglichen und strategischere Entscheidungen über Alarmierung und Intervention zu treffen. Zum Beispiel könnte ein LKW-Motor aufgrund seines Alters und seiner Wartungshistorie höhere Öltemperaturen aufweisen als normal, während ein anderer, neuerer Motor ein ungewöhnliches Problem anzeigt, das sofortige Aufmerksamkeit erfordert.

Die Lösung: Echtzeit-Digital-Twins

Um komplexe Logistiksysteme reibungslos am Laufen zu halten, muss Streaming-Analytics diese tiefere Ebene der Introspektion bieten – besonders beim Empfang von Telemetrie von großen Anzahlen an Datenquellen, wie Tausenden von LKWs in einer Flotte oder Paletten in einem Lager. Erweiterte Analyse dieser Telemetrie, die Kontext über jede Datenquelle nutzt, kann einen viel besseren Job bei der Identifizierung und Vorhersage von Ineffizienzen, potenziellen Problemen und Schlüsseltrends leisten. Sie kann helfen, Fragen wie diese zu beantworten:

• Steht ein Fahrzeug still, weil es an einer Raststätte ist oder weil es eine Panne hat?
• Ist ein Motorparameter abnormal, oder ist dies angesichts der bekannten Probleme und Wartungshistorie des Fahrzeugs zu erwarten?
• Werden die aktuelle Temperatur und der Trend des Kühlfachs ein Problem für die spezifischen Medikamente darstellen, die es derzeit enthält?
• War der Fahrer im Hinblick auf gesetzliche Anforderungen zu lange auf der Straße?
• Scheint der Fahrer verirrt zu sein oder in ein potenziell gefährliches Gebiet einzufahren?

Die neue Softwaretechnik für Streaming-Analytics, Echtzeit-Digital-Twins genannt, kann helfen, die nötigen Einblicke zu liefern, um diese Fragen zu beantworten. Sie erstellt einen softwarebasierten Zwilling jeder physischen Datenquelle, die verfolgt wird, der kontextuelle Informationen über die Datenquelle enthält (wie erwartete Parameter und Wartungshistorie für einen LKW-Motor). Der Digital Twin hostet Anwendungscode, der eingehende Nachrichten von seiner Datenquelle mit sofortigem Zugriff auf diesen Kontext analysiert und den Kontext mit jeder eingehenden Nachricht kontinuierlich aktualisiert, während er „lernt“, mehr über den dynamischen Zustand der Datenquelle. Anwendungscode im Twin muss sich nur auf eine einzelne Datenquelle konzentrieren, anstatt den Fluss aller eingehenden Nachrichten zu verwalten, und dies ermöglicht besseres Feedback für jede Datenquelle.

Skalierbarkeit in der Cloud

Ein Echtzeit-Digital-Twin kann in öffentlichen Clouds wie Microsoft Azure laufen, die die Skalierbarkeit bieten, um Nachrichten zu verarbeiten und Echtzeit-Digital-Twins für Tausende von LKWs, intelligenten Lagern oder anderen Telemetriequellen über weite geografische Gebiete hinweg zu pflegen. Der Clouddienst kann auch kontinuierlich wichtige Informationen aggregieren und visualisieren, die aus allen Echtzeit-Digital-Twins extrahiert werden, um aufkommende Probleme zu erkennen und das gesamte Situationsbewusstsein für Manager zu verbessern. Dies hilft ihnen, das große Ganze im Blick zu behalten und schneller strategische Reaktionen auf große Herausforderungen zu entwickeln – wie Wetterverzögerungen, Autobahnsperrungen und Stromausfälle.

Vier konkrete Anwendungsfälle

Hier sind vier Beispiele für Situationen, in denen Echtzeit-Digital-Twins Logistikmanagern helfen können, die Effektivität und Zeitlichkeit ihrer Lieferdramatisch zu steigern:

• Sich ändernde Bedingungen. Verschiebende Verkehrsströme, Unfälle und sogar rekordverdächtige Hurrikane, Stürme und Brände verursachen kontinuierliche Routenänderungen für Fahrer. Mit Logistikunternehmen, die Tausende von Fahrzeugen auf der Straße verfolgen, können Echtzeit-Digital-Twins analysieren, wie Situationen wie Autobahnsperrungen aufgrund von Waldbränden jedes Fahrzeug betreffen und die Fahrer auf neue Routen hinweisen.
• Verderbte Lebensmittel und Medikamente. Im COVID-19-Zeitalter suchen viele Risikopersonen Alternativen zum Einkaufen in überfüllten Läden und benötigen nun Lebensmittel und Medikamente, die an ihre Haustür geliefert werden. Für diese Lieferungen kann ein Fahrzeug Hunderte verschiedener temperatursensibler Lebensmittel und Medikamente enthalten. Echtzeit-Digital-Twins können die benötigten Temperaturen für jeden Artikel überwachen und Fahrer und Logistikmanager auf Probleme hinweisen, die die Sicherheit der Fracht bedrohen.
• Aufkommende mechanische Probleme. Die Wartung teurer Nutzfahrzeuge ist komplex und umfasst zahlreiche Parameter wie Reifendruck, Flüssigkeitsstände, Motorsysteme und mehr. Echtzeit-Digital-Twins können den mechanischen Status jedes Fahrzeugs verfolgen und auf nötige Wartung hinweisen, um unerwartete Verzögerungen und kostspielige Reparaturen zu vermeiden.
• Verlorene oder unberechenbare Fahrer. Berufskraftfahrer unterliegen strengen Regeln mit erheblichen Strafen bei Verstößen. Echtzeit-Digital-Twins können unberechenbares Fahrverhalten oder drohende Verstöße erkennen und den Fahrer warnen, bevor sie eintreten. Sie können auch erkennen, ob ein Fahrer verirrt scheint, sodass Disponenten das Problem schnell korrigieren und Zeit und Kraftstoff sparen können.

Fazit: Wettbewerbsvorteil durch Intelligenz

Das Jahr 2020 hat einen dramatischen Anstieg der Nutzung von Logistiksystemen gesehen, die die Güter, die wir brauchen, zu ihren Zielen fließen lassen. Erkenntnisse aus Echtzeit-Digital-Twins können Logistikunternehmen helfen, die unzähligen Komponenten in ihren Netzwerken zu verfolgen, sie reibungslos am Laufen zu halten und unnötige Verzögerungen zu vermeiden. Diese Erkenntnisse werden Unternehmen in die Lage versetzen, ihre Kosten zu senken und die Pünktlichkeit zu steigern, damit sie in einer kritischen Branche, von der wir alle abhängen, effektiv konkurrieren können.

William Bain ist CEO von ScaleOut Software.