Tulevaisuuden teollisuuden tietojärjestelmä TkT Jari Juhanko, Aalto-yliopisto COO, Aalto Industrial Internet Campus

Transkriptio

1 Tulevaisuuden teollisuuden tietojärjestelmä TkT Jari Juhanko, Aalto-yliopisto COO, Aalto Industrial Internet Campus

2 Bio TkT Jari Juhanko, Aalto-yliopisto COO, Aalto Industrial Internet Campus, Koneenrakentaja, mekatroonikko Suunnittelu, valmistus ja kunnossapito Industrial Internet realisti Professori , tutkimuspäällikkö, tutkija Roll Dynamics Engineering Oy, CEO, Rollresearch Intl Oy, hallitus, 2001

3 Teollisuuden digitaalinen murros (STN) Funding source Strategic Research Council, Academy of Finland Budget ~3,7 M 100% AoF funding ( ), Aalto share 56% Duration 6 years ( ) Partners Aalto (coordinating partner), VTT, ETLA, UTU, LUT Principal investigator Professor Martti Mäntylä, Aalto 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

4 Selvityksiä politiikkatoimenpiteiksi

5 Menu Teollisuuden digitaalinen murros Teollinen Internet - näkökulmia dataan Teollisuuden tietojärjestelmät - datan rooli hankinnoissa ja projekteissa Ei ratkaisuja, vaan ajatuksia, haasteita ja pullonkauloja

6 Teollisuuden digitaalinen murros Digitalisaatio Teollinen internet IIoT Industrie 4.0 Smart Service World Industrial Data Space

7 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)

8 WEFUSA Jan 2015, Industrial Internet of Things: Unleashing the Potential of Connected Products and Services

9 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?

10 HBR: Porter and Heppelman

11 Mikä muuttuu, kun laitteet ja prosessit verkottuvat? Vaikutus toimialaan? Vaikutus arvoketjuun ja toimintaan? Vaikutus liiketoimintastrategiaan? Vaikutus organisaatioon?

12 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

13 Liiketoiminta murroksessa vai?

14 Liiketoimintamallit Tuoteliiketoiminta Tuote on alusta lisäarvopalveluille Projektiliiketoiminta Huolto- ja kunnossapitoliiketoiminta Operointiliiketoiminta

15 Liiketoimintamallit Tuoteliiketoiminta Projektiliiketoiminta Huoltoliiketoiminta Operointiliiketoiminta Informaatioliiketoiminta - Data ja analytiikka - Digitaalinen toimitus - Automaattiset prosessit - Informaation toimitusketju - Ekosysteemit ja digitaaliset alustat - Uudet liiketoimintainnovaatiot - Uudet markkinat

16 Teollisen internetin digitalisaatiopino tietoturva, IPR, luottamus Politiikka ja lainsäädäntö Strategia Liiketoimintamallit Sovellukset Analytiikka Tallennus Tietoliikenne Paikallinen laskenta Anturit ja toimilaitteet Johtaminen, organisaatio & työ

17 Informaatioliiketoiminta - databusiness Datalla on arvo Kohtele sitä kuin muitakin arvokkaita hyödykkeitä Datastrategia Miten saat datasta hyötyä liiketoiminnalle? Datan näkyvyys Mahdollista asioita data on tuotava saataville Datan käyttö Datapohjainen päätöksenteko Datakyvykkyydet Analyyttinen tieto koko organisaation tai ekosysteemin käytettävissä

18 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

19 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

20 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

21 RAMI4.0 objectives Reference architecture Model of Industry 4.0 Viitekehys, jonka akseleina: Tehdashierarkia asseteista liiketoimintaan Elinkaari ja arvonmuodostus Komponentista verkottuneeseen maailmaan

22 Axis 1: Tehdashierarkia

23 Axis 1: Tehdashierarkia

24 Axis 2: ICT:n kerrokset

25 Axis 3: Tuotteen elinkaari

26 Useista eri tietojärjestelmistä verkottuneeseen arkkitehtuuriin

27 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)

28 IIoT Standardointi ja yhteistyöelimet

29 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?

30 Tutkimuksen kohteita

31 Digitaalinen kaksonen Miten käyttötieto, kunnonvalvontadata ja kunnossapitotiedot voidaan parhaiten hyödyntää uuden sukupolven tuotteiden ja digitaalisten lisäarvopalveluiden suunnittelussa sekä käytön optimoinnissa ja kunnossapidossa?

32 AIIC älynosturi TRUCONNECT PLM ympäristö yourkonecranes.com 2017 Konecranes. All rights reserved.

33 New business from Cross-Enterprise Data WP1: Cross-Enterprise Data Management Industry Business Cases Step I: Business problem analysis Step II: Data governance model Step III: Proof-of- Concept (POC) Step IV: Business case assessment Forest Industry ABB, Efora, Stora Enso, Valmet, Metso, Koja Maintenance Smart Maintenance Peat Value Chain Vapo, Valtra, Mevea, Energy companies Operations Design Cross- Enterprise Data Bazaar Smart Operations Smart Design Platform Business Cases WP2: Data-driven Business Platform Elisa, Tieto, GlobalSign

34 Case: Data-analytiikan arkkitehtuuri ERP MES SCADA CM avoimen lähdekoodin sovellukset skaalautuva joustava tukee datan jakamista. myös reaaliaikaiseen analyysiin toteutettavissa erilaisissa järjestelmäkonfiguraatioissa (private/public) tukee yrityksen tietoturvavaatimuksia

35 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)?

36 Klaus Beetz, VP Siemens Corporate Research