Tulevaisuuden teollisuuden tietojärjestelmä27.4.2017
TkT Jari Juhanko, Aalto-yliopisto
COO, Aalto Industrial Internet Campus
Bio
TkT Jari Juhanko, Aalto-yliopistoCOO, Aalto Industrial Internet Campus, http://aiic.aalto.fi+358 50 556 3564
Koneenrakentaja, mekatroonikko
Suunnittelu, valmistus ja kunnossapito
Industrial Internet realisti
Professori 2008 – 2013, tutkimuspäällikkö, tutkija
Roll Dynamics Engineering Oy, CEO, 1999 – 2001
Rollresearch Intl Oy, hallitus, 2001 – …
Teollisuuden digitaalinen murros (STN)
WA 1: The Big Picture: Broad Overview
WA 2: Learning from Past Disruptions
WA 3: Futures Foresight
WA 4: Interventions
WA 5: Synthesis and Policy Options
WA 6: Project Coordination
Funding source Strategic Research Council, Academy of Finland Budget ~3,7 M€ 100% AoF funding (2015-2017), Aalto share 56% Duration 6 years (2015-2020) Partners Aalto (coordinating partner), VTT, ETLA, UTU, LUT Principal investigator Professor Martti Mäntylä, Aalto
Selvityksiä politiikkatoimenpiteiksi
Menu
• Teollisuuden digitaalinen murros
• Teollinen Internet - näkökulmia dataan
• Teollisuuden tietojärjestelmät - datan rooli hankinnoissa ja projekteissa
Ei ratkaisuja, vaan ajatuksia, haasteita ja pullonkauloja
Teollisuuden digitaalinen murrosDigitalisaatio
Teollinen internetIIoTIndustrie 4.0Smart Service WorldIndustrial Data Space
The Industrial Internet, Internet of Things, Internet of Everything are currently really more of an
intranet
Most data never leaves a factory or pass company’s firewall
Source: MIT Technology Review (2013)
WEFUSA Jan 2015, Industrial Internet of Things: Unleashing the Potential of Connected Products and Services
Valmistava teollisuus
Perinteisesti liiketoiminta perustuu fyysisiin tuotteisiin, joissa on enenevässä määrin tietoteknisiä toimintoja
• Mekatroniset tuotteet, älykkäät komponentit, automaatiojärjestelmät, autonomiset koneet, automaattiset tehtaat
• Dataa on valtavasti … periaatteessa
Miten teollinen internet ja digitalisaatio muuttaa• yrityksen organisaatiota, johtamista ja IT-arkkitehtuuria,• tuotesuunnittelua ja valmistusta,• investointeja• käyttöä ja kunnossapitoa sekä• muita palveluita,
kun ”puolet” tuotteen arvosta on pilvessä?
HBR: Porter and Heppelman
Mikä muuttuu, kun laitteet ja prosessit verkottuvat?
Vaikutus toimialaan?
Vaikutus arvoketjuun ja toimintaan?
Vaikutus liiketoimintastrategiaan?
Vaikutus organisaatioon?
Disruptio: ”Knowns and unknowns”
– Tunnetko oman bisneksesi?
– Tiedätkö, keitä ovat asiakkaasi/kilpailijasi?
– Kuinka moni haluaa/kykenee omaksumaan uusia palveluita? 50%?
– Tiedätkö, mikä on bisneksesi 5 vuoden päästä? 10 vuoden vuoden?
– Tiedätkö, keitä ovat asiakkaasi tai kilpailijasi tuolloin?
– Kun disruptoiva innovaatio tulee
ulkopuolelta, et voi etukäteen tietää,
miten se vaikuttaa omaan liiketoimintaasi
ja ketkä asiakkaistasi omaksuvat sen
Liiketoiminta murroksessa … vai?
Liiketoimintamallit
TuoteliiketoimintaTuote on alusta lisäarvopalveluille
Projektiliiketoiminta
Huolto- ja
kunnossapitoliiketoiminta
Operointiliiketoiminta
Liiketoimintamallit
Tuoteliiketoiminta
Projektiliiketoiminta
Huoltoliiketoiminta
Operointiliiketoiminta
Informaatioliiketoiminta- Data ja analytiikka
- Digitaalinen toimitus
- Automaattiset prosessit
- Informaation toimitusketju
- Ekosysteemit ja digitaaliset alustat
- Uudet liiketoimintainnovaatiot
- Uudet markkinat
Teollisen internetin digitalisaatiopino
Anturit ja toimilaitteet
Paikallinen laskenta
Tietoliikenne
Tallennus
Analytiikka
Sovellukset
Liiketoimintamallit
Strategia
Politiikka ja lainsäädäntö
tietotu
rva, IPR
, luo
ttamu
s
Joh
tamin
en
, organ
isaatio &
työ
Informaatioliiketoiminta - databusiness
Datalla on arvoKohtele sitä kuin muitakin arvokkaita hyödykkeitä
DatastrategiaMiten saat datasta hyötyä liiketoiminnalle?
Datan näkyvyysMahdollista asioita … data on tuotava saataville
Datan käyttöDatapohjainen päätöksenteko
DatakyvykkyydetAnalyyttinen tieto koko organisaation tai ekosysteemin käytettävissä
Datan omistajuus
Dataa ei pääsääntöisesti koske perinteiset suojat (patentit, mallisuoja, copyright, …)• Tietokantasuoja ja luettelosuoja sekä liikesalaisuuksien suoja voivat tulla (rajatusti) kyseeseen
Sopimusten merkitys korostuu datan yhteydessä, koska vahvaa IPR-suojaa ei ole.
Oikeudet ovat luovutettavissa sopimuksellisesti• Sopimusta voidaan tarvita jo alun perin selventämään, kenelle data kuuluu ja kuka on oikeutettu sitä
käyttämään
• Onko olennaisempaa datan ”omistajuus” vai käyttöoikeus dataan?
• Ongelmana on, että sopimus sitoo vain asianosaissuhteessa
Sopimus on välttämätön työkalu käyttöoikeuksien määrittelemiseksi• Sopimusten vahvuutena lähtökohtainen sopimusvapaus mm. dataan liittyvistä käyttöoikeus-, vastuu- ja
maksuvelvoitteista
Datan omistajuus … auto
Auto yhdistelmä rautaa ja softaa. Raudan voi omistaa, mutta ohjelmistoihin myydään käyttöoikeuksia (lisenssi)
• Auton arvosta merkittävä osa on ohjelmistoissa• Saako siis autokaupan yhteydessä omistajuuden vai käyttöoikeuden autoon?
Omistaako auton valmistaja, omistaja vaiko ajaja auton tuottaman teknisen tiedon? • Kenellä on pääsy näihin tietoihin?• Voidaanko pääsyä rajoittaa?
Kenellä on vastuu onnettomuustilanteessa? Saako tietoja luovuttaa eteenpäin esim. viranomaiselle?
Tietosuojakysymykset liittyen tiedon keräämiseen: Kenen tietoja tulee kerätä? Autoa kuljettavan, auton omistajan, apukuljettajan vaiko muiden?
Kuljettaja voidaan identifioida pelkästään datan perusteella, kuinka istuutuu penkkiin
Mahdollisten kyberhyökkäysten vaikutus yleiseen tieliikenneturvallisuuteen
IT-arkkitehtuuri
Yhteisymmärrys avainkonsepteista ja malleista
Kiinnittää huomion tärkeisiin haasteisiin
Tarjoaa ylätason ohjeistuksen haasteiden ratkaisemiseksi
Esittää selvästi ja täsmällisesti tärkeimmät periaatteet
Tarjoaa perusteet tekniikan ja sovellusten analyysiin ja arviointiin
Ohjaa teknisten ratkaisujen valintaa
RAMI4.0 objectives
Reference architecture Model of Industry 4.0
Viitekehys, jonkaakseleina:
• Tehdashierarkiaasseteistaliiketoimintaan
• Elinkaari ja arvonmuodostus
• Komponentistaverkottuneeseenmaailmaan
Axis 1: Tehdashierarkia
Axis 1: Tehdashierarkia
Axis 2: ICT:n kerrokset
Axis 3: Tuotteen elinkaari
Useista eri tietojärjestelmistä verkottuneeseenarkkitehtuuriin
Haasteita
Tietoturva (esim tunnistautuminen, datan oikeellisuus)
Palvelun laatu “Quality of Service” (esim. lyhyt vasteaika)
Kommunikaatio (esim. OneM2M or OPC UA APIs)
Semantiikka (esim. based on the Semantic Web)
IIoT Standardointi ja yhteistyöelimet
Digitaalinen lisäarvo teollisen internetin aikakaudella?
Miten esim. tuotantoa voidaan tehostaa digitalisaatiota hyödyntäen?• Tuotteen perustiedot: data, tapahtumat, … (ERP)• Prosessiparametrit (MES)• On-line laatu- ja kunnonvalvontamittaukset (CM)• Laitteiden sisäinen diagnostiikka• Off-line laadunvarmistus, laboratoriomittaukset• Käyttö- ja kunnossapitotieto
Nykyään ”saatavilla” olevaa dataa ei voida hyödyntää normaalissa liiketoiminnassa. Yhteensopivuus, luokitus ja ositus eri toimijoille eri tarpeisiin?
Kenen liiketoimintaa data-analytiikka on? Mikä on hyödyn arvo ja miten se jaetaan?
Tutkimuksen kohteita
Digitaalinen kaksonen
Miten käyttötieto, kunnonvalvontadata ja kunnossapitotiedot voidaan parhaitenhyödyntää uuden sukupolven tuotteiden ja digitaalisten lisäarvopalveluidensuunnittelussa sekä käytön optimoinnissa ja kunnossapidossa?
AIIC älynosturi
© 2017 Konecranes. All rights reserved.
TRUCONNECT
yourKONECRANES.com
PLM ympäristö
New business from Cross-Enterprise Data
Peat Value ChainVapo, Valtra, Mevea, Energy companies
WP1: Cross-Enterprise Data Management
Step I:
Business
problem
analysis
Step II:
Data
governance
model
Step III:
Proof-of-
Concept
(POC)
Step IV:
Business
case
assessment
Forest IndustryABB, Efora, Stora Enso, Valmet, Metso, Koja
Industry
Business Cases
Maintenance Smart
Maintenance
Smart
Operations
Smart
Design
Cross-
Enterprise
Data
Bazaar
Operations
Design
WP2: Data-driven Business PlatformElisa, Tieto, GlobalSign
Platform
Business Cases
Case: Data-analytiikan arkkitehtuuri
• avoimen lähdekoodin sovellukset
• skaalautuva
• joustava
• tukee datan jakamista.
• myös reaaliaikaiseen analyysiin
• toteutettavissa erilaisissajärjestelmäkonfiguraatioissa (private/public)
• tukee yrityksen tietoturvavaatimuksia
ERP
MES
SCADA
CM
Datan yhteiskäytön haasteita ja mahdollisuuksia
Onko dataa käytössä vain omista laitteista vai voidaanko dataa jakaa eri osapuolten kesken?
• Datan luokittelu ja ositus eri toimijoille
• Dynaamiset sopimusmallit
Miten asiakkaan lisäarvo muodostuu?• Miten lisäarvo jaetaan?
• Mistä asiakas on valmis maksamaan … investointi vs. palvelu (Capex vs. Opex)?
Klaus Beetz,VP Siemens Corporate Research