Digital Twin
Fieldbit’s augmented reality support app is like an interactive Haynes manual.
Veolia Water Technologies, a transnational water treatment specialist firm, is partnering with a company called Fieldbit to bring Augmented Reality to the plant floor. Don’t feel bad if your first reaction to that statement is „huh?“—ours was, too. If you’ve ever had to work on unfamiliar or semi-familiar physical equipment, though, it gets pretty interesting.
We spoke to Robert Kodweis, Fieldbit’s VP of operations, to get a better picture of what the company really does. Fieldbit is a software company, and its apps are relatively hardware-agnostic. Users can experience AR (Augmented Reality) marked-up views of equipment and spaces through smartglasses such as Realwear’s HMT-1, or by using an Android smartphone app to mark up video from the phone’s camera in real time—something like Pokémon Go for the industrial floor.
We pressed Kodweis pretty hard on the apparent AI aspects of the application. Since the press photos we saw mostly seemed to focus on tagging particular equipment with its own telemetry via AR, we wanted to know how the system was trained to reliably recognize individual machines without seeing identification plates and serial numbers. Kodweis explained that while this spatial computing is indeed possible, it’s not the big focus of Fieldbit’s collaboration with Veolia.
Instead, Fieldbit’s app provides remote workers with expert support in maintaining and repairing equipment on site. When a worker needs to perform an unfamiliar maintenance operation, he or she can open up the app and see if the operation is available in the company’s knowledge base. If so, the modern equivalent of Chilton or Haynes manual procedure outlines becomes available. If not, the field worker is connected with a remote support agent who can guide them directly through the procedure, seeing and marking up the camera images on the field worker’s device as they go.
Fieldbit’s application sounds much better than a Haynes manual, though. Once a procedure has been worked up and added to the Knowledge Base, field workers can access it by first selecting the pump or other machine by model, and then selecting the procedure—which could be replacing a filter, replacing an assembly, or any general repair item. In the future, field techs will be able to just aim their phone or glasses directly at the machine and have relevant KB procedures pop up automatically—but the company is still working on the AI image recognition for that aspect.
Once the worker selects a repair or maintenance procedure, the Fieldbit app walks them through it step by step. At each step of the procedure, the app highlights the appropriate parts—for example, bolts which should be loosened can be circled in red—on the actual video of the machine, as seen on the field worker’s phone or headset in real time.
A Fieldbit sales engineer created this short demo video for us, in which the user is guided through a simple connectivity check-and-restoration procedure on an Andium cellular gateway device. Note the augmented reality aspect—the actual LEDs, buttons, wires and antennas are overlaid automatically and in real time as the user’s phone pans across them, during each of the procedure’s five steps.
Quelle:
https://arstechnica.com/gadgets/2019/10/fieldbit-is-bringing-augmented-reality-to-industrial-plants/
There is an abundance of mechanical systems living in the physical world with critical insights hiding in plain view waiting to deliver value for industrial companies. Digital twin technology is providing the entryway into understanding their physical context while unlocking crucial insights and business outcomes, including optimization of smart, connected products and processes through prevention of failures and operational efficiency improvements.
PTC has developed a digital twin demo of a scale model excavator to illustrate the endless possibilities and business value accessible by linking the physical and digital worlds through the use of digital twins.
The Value of Digital Twin
Implementing a digital twin of a heavy-industrial asset like an excavator can improve asset uptime driving operational efficiencies, while unlocking novel insights into traditionally unanswerable questions and benefitting roles across the value chain. Underpinning these answers come through the implementation of IIoT, real-time simulation, artificial intelligence, augmented reality, cloud computing, and other complimentary digital twin technologies.
While PTC has a rich heritage in enabling engineering excellence for its customers, this demonstration focuses on the owner/operator persona and was developed with PTC and third-party technologies to illustrate the real-world value a digital twin can drive.
As with most connected industrial assets, there are sensors generating massive amounts of data to be contextualized on an IIoT platform. PTC retrofitted the excavator with compute power via a Raspberry Pi3 to harness telemetry data from pressure sensors and linear potentiometers to monitor the stroke of the cylinders and load in the bucket.
Complementing this hardware instrumentation is equally notable firmware operating on the Raspberry Pi containing an Edge Client implemented using the ThingWorx JavaSDK. This SDK is the gateway to transmit data off the excavator to a cloud-based ThingWorx server where there is an array of integrated technologies and powerful simulation models. This technology foundation is key for rolling out the next-generation digital twin use cases explained below.
The IIoT Platform Is Crucial to Industrial Digital Twins
When managing real-time assets with digital twins, an IIoT platform is needed to contextualize the sensor data through the asset’s digital definition including the 3D models and engineering calculations and parameters.
In this case, PTC identified relevant properties from the sensor feeds in ThingWorx, including the excavator arm and boom angles, bucket angle, bucket load, and other movements, which provide the foundation for several engineering simulations and AI/ML models. However, not every relevant excavator attribute can be monitored with a sensor; a digital twin is needed to fill out additional insights for certain calculations, such as center of gravity.
Real-time Simulations Yield Valuable Insights
Underpinning these advanced simulation models are unique configurations from Creo and Windchill, which are provided on-demand and orchestrated by ThingWorx. These simulations can adhere to a variety of different industrial use cases, mostly around maintaining safe operating conditions, asset uptime, and predictive maintenance.
Below are the real-time simulations generating predictive insights on the demo:
- Tip danger: An on-the-fly simulation calculating the risk of the excavator tipping based on center of mass and gravity calculations, leveraging inputs from sensors and operating conditions from the physical machine. As the arm extends further away from the excavator, weight is unevenly distributed and increases the tip risk. Setting the system up with alert thresholds can preemptively warn the operator in real-time to prevent accidents or be logged in ThingWorx for post-incident analysis.
- Boom prediction: The boom is a critical component in an excavator and continuous monitoring of its performance is an important indicator of the excavator’s health status and understanding of how heavy use impacts the asset’s useable life.
- Fatigue life estimation: Linking in the digital definition, which includes sub-assembly components such as a part of the base of the boom, can be indicators for stress analysis and simulations. By baking in assumptions, such as amplitude of cyclic loads and monitoring peak loads, the model can inform fatigue analysis of the excavator. By using Creo-as-a-Service, the component data is only triggered on-demand, when peak load parameters are breached and then updated in ThingWorx, increasing uptime and lifetime of the asset.
- Arm stress analysis: Typically, complex physics models with multiple variables can take hours to calculate, limiting real-time use cases. To resolve this, PTC used Creo Simulate to run a multitude of design scenarios, train a neural network using deep learning techniques, and embed a lightweight predictor model on the Raspberry Pi. The neural network provides predictions of maximum stress experienced, based on data gathered in real-time – in seconds. Leveraging AI/ML-based simulations at the edge can optimize compute power with embedded complex simulations; this is a potentially game-changer for digital twins of heavy-industrial assets through bolstering predictive maintenance use cases.
- Fuel efficiency: With real-time telemetry data from the excavator (engine speed/load) and qualitative factors (operator, weather conditions), PTC can predict fuel consumption per hour with the digital twin model. Using Mathcad-as-a-Service to dynamically provide these updated calculations, the user monitors predicted fuel usage and can assess the efficiency of the excavator on an operator-by-operator basis based on actual usage.
One Digital Twin, Multiple Lenses and Use Cases
There are numerous opportunities to leverage these mathematical models for multiple roles. For example, a fatigue life estimate not only helps service technician functions for predictive maintenance but also better informs engineers in their efforts to design more effective parts.
Building one digital twin and applying it to different lenses for different roles and use cases is a cornerstone of obtaining value through digital twins. Below are a few different digital twin lenses for roles, although the list can extend much further than this for an industrial enterprise.
- Engineers: For the manufacturer of the connected product, real-world product usage and performance data replaces assumptions in design calculations with operating conditions. This provides a crucial feedback loop back to product engineers and designers that can be used to improve future iterations of new products and enable generative design capabilities, further optimizing manufacturing processes.
- Operators: Knowing in real-time when a part is malfunctioning or at risk of failure is critical in preventing downtime. Using the excavator performance KPIs can also be used to assess an operator’s performance and train junior operators through augmented reality experiences.
- Service: Real-time models can quickly inform service technicians potential failures in a system, while AR provides the lens to the digital twin to service the physical machine in-situ.
Final Thoughts
The possibilities and digital twin use cases are endless when digital and physical systems converge and are provided in different lenses to get the right information to the right personnel. Both the digital definition of a product or system and telemetry data from IoT are required for businesses to reach the full potential of a digital twin and unlock next-generation use cases. Taking this twin that effectively incorporates all known sources of insights can serve several use cases without rework.
Applying simulation models to real-world performance data of heavy-industrial assets can dramatically reduce downtime and with supporting technologies like IoT and cloud computing, these digital twin implementations will increasingly become widespread and impactful.
Quelle:
https://www.ptc.com/en/product-lifecycle-report/digital-twins-value-excavator-demo
Wie ein Digital Twin Effizienz und Qualität im Service steigert
Serviceorganisationen stehen vor der Herausforderung die Servicequalität zu steigern und das bei ständig breiter und tiefer werdenden Produktpaletten. Gleichzeitig ist das Ziel, die Kosten stabil zu halten oder gar zu senken. Meine Erfahrung aus der Prozessoptimierung im Kundendienst zeigt mir, dass viele Unternehmen seit Jahren ihren Service digitalisieren und stetig nach neuen Innovationen suchen, die Prozesse verschlanken und für schnelleren und kostengünstigeren Service sorgen. Je ausgefeilter die Systeme und Strukturen allerdings sind, desto schwerer tun sich Unternehmen neue Innovationen auszuprobieren und in bestehende Prozesse zu implementieren. Dabei liegen die Business-Cases quasi auf der Hand. Beispielsweise bringt ein Digital Twin große Effizienzgewinne für den Service.
Digital Twin – Was ist und soll das eigentlich?
Der Digital Twin ist dabei eine vollständig digitale Kopie eines physischen Produktes. Allerdings wird derzeit der Begriff durch viele Produkt- und Maschinenhersteller verwässert, indem einfache Abbilder ohne jegliche Funktion als Digital Twin bezeichnet werden. Die Schere der Begriffsdefinition reicht in den Aussagen der Hersteller bis zum vollständig funktionsfähigen Abbild. Mit diesem können dann Produkt- und Funktionstests digital erstellt werden. Es lohnt sich also genau hinzuschauen, in welchem Reifegrad sich der Digital Twin befindet und welchen Fokus die AR/VR-Lösung in der Zielgruppenansprache hat. Hier reicht die Spanne von einer hochauflösenden Erlebniswelt für Marketingzwecke bis hin zu einer Modellnutzung zur Qualitätssicherung. Dabei lassen sich große Synergieeffekte nutzen, wenn der Digital Twin nach einmaliger Aufbereitung über alle Bereiche genutzt wird.
Betrachten wir die Effizienzpotentiale könnte man bspw. auf den Bau von physischen Prototypen verzichten. Alle nötigen Tests könnten in digitaler Form erbracht werden. Der gleiche Digital Twin kann im Nachgang genutzt werden, um Anwender zu trainieren, Trainingszeiten insgesamt zu reduzieren und Arbeiten am Produkt digital auszuüben. Der Verkauf der digitalen Abbilder erschließt neue Umsatzpotentiale, denn statt des Produktes kann eine Digitalisierung erfolgen, auch beim Kunden. Viel wichtiger ist noch die bessere Erklärbarkeit gerade von Investitionsgütern und damit die Emotionalisierung im Verkauf – dies führt vermutlich zu einer positiven Kaufentscheidung beim Kunden. Ein weiterer Vorteil ergibt sich, wenn verschiedene Produkte in Form ihrer Digital Twins zusammengeschaltet werden, so können Abhängigkeiten frühzeitig erkannt werden bevor das Produkt gebaut wird. Sehr viele Möglichkeiten – für ein Unternehmen ist hier eines entscheidend: Keinen Flickenteppich an Lösungen zuzulassen, sondern gezielt mit einem Proof-of-Concept zu starten und dann diesen in einen Piloten zu überführen. Wichtig ist es dabei, unternehmensweit zu denken.
Drei Cases – Ein Ziel: Wissensmanagement über einen Digital Twin
Zühlke hat mit drei Kunden genau diese ersten Schritte gemacht und kleine Proof-of-Concepts entwickelt: Die Firma Fronius hatte das Ziel, einen Schweißrobotor außerhalb der Schweißzelle darzustellen und Einstellungen vorzunehmen. Das digitale Abbild lässt sich durch die Anbindung an Microsoft Azure komplett bedienen. Siemens geht mit Mindspere based on Azure und dem Digital Twin in die Richtung, Maschinen durch Hologramme in die digitale Welt zu holen. Durch die entwickelte App, die im Rahmen der Hannover Messe gezeigt wurde, wird ein weiteres Potential aufgezeigt. Neben der Bedienung, kann über die Azure Komponente Cognitive Services mit Hilfe eines Fotos der Status der Maschine erkannt werden. Dabei wird das Foto auf Azure analysiert und das Ergebnis dem Nutzer via Sprachausgabe übermittelt. Zühlke und Jungheinrich hatten bereits Anfang des Jahres einen gemeinsam Case entwickelt, um den Reparaturprozess eine Niederhub-Fahrzeuges durch holgraphische Anleitung zu optimieren. Dabei wird ein digitales Abbild über das FFZ gelegt und der Techniker Schritt-für Schritt durch die Reparatur geführt.
Aus 3 mach 1: Der Wow-Effekt der Konsolidierung im Service
Jeder Case für sich genommen ist ein Gewinn für jedes einzelne Unternehmen. Zur Evolution kommt es dann, wenn eine Kombination der Cases stattfindet – sprich die Schaffung eines HoloAssistent für den Service mit dem Ziel, Wissen und Prozess zum richtigen Zeitpunkt am richtigen Ort zusammenzuführen. In einer Vision könnte der Serviceablauf in einigen Jahren wie folgt aussehen: Der Techniker schaut auf sein Smartphone, um die Adresse für den Einsatz und den Ansprechpartner vor Ort zu identifizieren. Auch eine Kurzbeschreibung und die Maschine, um die es sich handelt, findet er auf seinem Smartphone. Angekommen beim Kunden und dem zu reparierenden Produkt setzt er sich die Microsoft HoloLens auf und beginnt mit der Arbeit. Eine bereits laufende App zeigt ihm dabei den Einsatz an und über eine Direct-Communication. Entweder mittels Bluetooth oder cloudbasiert, werden ihm die aktuellen Betriebsdaten und Einstellungen des Produkts visualisiert. Gleichzeitig ermittelten Cognitive Services direkte Lösungsmöglichkeiten des Einsatzfalles und werden dem Techniker aktiv vorgeschlagen. Die Anleitungsprozesse werden als Hologramm auf die Maschine gelegt und der Techniker Schritt für Schritt angeleitet. Dem Kunden ist eine Dokumentation sehr wichtig, daher werden sowohl die abgearbeiteten Schritte, als auch Fotos automatisch mit der HoloLens erzeugt und dem CRM System zur Verfügung gestellt. Der Kunde unterschreibt den Servicebericht entweder auf dem Smartphone oder auf dem Tablet. Um diese Vision zu erreichen, sind viele Schritte nötig. Daher lohnt es sich, über einen kleinen Case nachzudenken, der es einem ermöglicht, die ersten Schritte zu gehen. Die Idee ist es dabei nicht, den ganzen Prozess sofort ins Auge zu fassen, sondern mit der Einarbeitungszeit neuer Techniker zu beginnen und damit zunächst eine kleine rentable Lösung zu schaffen.
Kosten / Nutzen – Der Bierdeckel ROI.
Angenommen ein Techniker bekommt normalerweise 6 Monate intensive Ausbildung und ist danach erst soweit einsatzbereit, um zum Kunden zu fahren und Umsatz und damit Deckungsbeitrag zu erzielen. In dieser Annahme gehen wir weiter davon aus, dass durch einen HoloAssistent der Techniker zwei Monate früher als sonst zum Kunden kann. Die HoloLens unterstützt ihn in den folgenden 6 Monaten täglich bei der Arbeit, danach gibt er sie wieder ab, damit neue Kollegen sie nutzen können. Für den Bierdeckel ROI nehmen wir einfache Zahlen an: Ein Unternehmen mit 1000 Servicetechnikern weltweit, stellt jedes Jahr 100 neue Techniker aufgrund von Fluktuation und Wachstum ein und setzt im Rahmen der Ausbildung auf den HoloAssistent mit der Microsoft HoloLens, um die Servicetechniker 2 Monate früher zum Kunden zu schicken. Dadurch ergeben sich folgende Zahlen:
Anzahl Einsätze je Techniker pro Tag | 3 |
Wert eines Einsatz pro Techniker | 500 € |
Durchschnittliche Deckungsbeitrag je Einsatz | 20% |
Deckungsbeitrag pro Techniker und Tag | 300 € |
Anzahl Arbeitstage in 2 Monaten | 40 |
Deckungsbeitrag je Techniker in 2 Monaten | 12.000 € |
Anzahl Neueinstellung (Fluktuation, Wachstum) | 100 |
Deckungsbeitrag der Neueinstellungen in 2 Monaten | 1.200.000 € |
Klassischerweise müssen sich Projekte in dieser Größenordnung nach spätestens 3 Jahren wirtschaftlich zeigen. Im Beispiel wäre als eine Investition von rund 3,6 Mio. EUR möglich, um diese KPI zu erreichen.
Deckungsbeitrag für 3 Jahresbetrachtung | 3.600.000 € |
Investition je HoloLens für 100 Techniker | 550000 |
Budget für HoloAssistent Solution | 3.050.000 € |
Eine Summe, die durchaus realistisch erscheint um eine intuitive produktive Lösung zu schaffen!
Quelle:
- 1
- 2